machine-learning - weka 中每个类别的 f-measure 是什么

Question

当我们在 WEKA 中评估分类器时，例如 2 类分类器，它会为我们提供 3 个 f 测量:第 1 类的 f 测量、第 2 类的 f 测量以及加权 f 测量。

我很困惑!我认为 f-measure 是一个平衡度量，显示多个类别的平衡性能度量，那么第 1 类和第 2 类的 f-measure 是什么意思？

Answer 1

f-score(或 f-measure)是根据精度和召回率计算的。计算如下:

Precision = t_p / (t_p + f_p)
Recall = t_p / (t_p + f_n)
F-score = 2 * Precision * Recall / (Precision + Recall)

其中，t_p 是真阳性数量，f_p 是假阳性数量，f_n 是假阴性数量。精度被定义为在算法分类为正的所有元素中被正确分类为正的元素的比例，而召回率是在所有正元素中被正确分类为正的元素的比例。

在多类情况下，每个类i都有各自的精度和召回率，其中“真阳性”是预测在i中的元素确实在它和“真阴性”是预测不在 i 中但不在其中的元素。

因此，通过精度和召回率的新定义，每个类都可以通过与二进制情况相同的计算来拥有自己的 f 分数。这就是 Weka 向您展示的内容。

加权 f 分数是类 f 分数的加权平均值，按每个类中元素数量的比例进行加权。