关于NLP多分类任务评价指标的总结

0、概述

点击这里查看sklearn官方文档

sklearn.metrics模块实现了几个损失、得分和效用函数来衡量分类性能；

关于数据集：

为了训练分类模型，一般需要准备三个数据集：训练集train.txt、验证集dev.txt、测试集test.txt。

训练集：用来训练模型参数的数据集，模型直接根据训练集来调整自身参数以获得更好的分类效果。
验证集：又称开发集，用于在训练过程中检验模型的状态，收敛情况。验证集通常用于调整超参数，根据几组模型验证集上的表现决定哪组超参数拥有最好的性能。
测试集：用来计算模型的各项评估指标，验证模型泛化能力。

Tips：测试集的数据一般不在训练集中，从而用来验证模型的效果。

1、四个基本概念

TP、True Positive 真阳性：预测为正，实际为正

FP、False Positive 假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测为负、实际为正

TN、True Negative 真阴性：预测为负、实际为负

2、二分类指标

分类模型的评价指标通常有 Accuracy、Precision、Recall 和 F1，以上指标越高，则说明模型比较理想。

准确率 Accuracy = 正确分类的样本数 / 总样本数。
精确率 Precision = 预测为正类并且正确的样本数 / 预测为正类的样本数。
召回率 Recall = 预测为正类并且正确的样本数 / 标注为正类的样本数。
综合评价指标 F1：2(Precision + Recall) / (Precision*Recall)，Precision 和 Recall 加权调和平均

Tips：在样本不均衡的情况下，准确率 Accuracy 这个评价指标有很大的缺陷。比如说1万封邮件里有10封垃圾邮件（千分之一的概率是垃圾邮件），如果模型将所有邮件判为非垃圾邮件，那acc有99%以上，但实际上该模型是没意义的。这种情况下就需要使用Precision、Recall、F1作为评价指标。

3、多分类指标

在多分类情况下，则用宏平均（Macro-averaging）和微平均（Micro-averaging）的方法，宏平均是指先计算每一类的各项评估指标，然后再对指标求算术平均值；微平均是指先对混淆矩阵的元素进行平均，得到TP,FP,TN,FN的平均值，然后再计算各项评估指标。

....

F1-score：

是统计学中用来衡量二分类模型精确度的一种指标，用于测量不均衡数据的精度。它同时兼顾了分类模型的精确率和召回率。F1-score可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。

在多分类问题中，如果要计算模型的F1-score，则有两种计算方式，分别为micro-F1和macro-F1，这两种计算方式在二分类中与F1-score的计算方式一样，所以在二分类问题中，计算micro-F1=macro-F1=F1-score，micro-F1和macro-F1都是多分类F1-score的两种计算方式；

micro-F1：

计算方法：先计算所有类别的总的Precision和Recall，然后计算出来的F1值即为micro-F1；
取值范围：(0, 1)；
适用环境：在计算公式中考虑到了每个类别的数量,多分类不平衡，若数据极度不平衡会影响结果；

marco-F1：

计算方法：将所有类别的Precision和Recall求平均，然后计算F1值作为macro-F1;
取值范围：(0, 1)；
适用环境：多分类问题，没有考虑到数据的数量，所以会平等的看待每一类,不受数据不平衡影响，容易受到识别性高（高recall、高precision）的类别影响；

#指标测试
from sklearn import metrics
from sklearn.metrics import accuracy_score, precision_score, recall_score
from sklearn.metrics import f1_score
def Evaluate1(y_test,y_predic):
    print('accuracy:', metrics.accuracy_score(y_test, y_predict)) #预测准确率输出
    print('macro_precision:',metrics.precision_score(y_test,y_predict,average='macro')) #预测宏平均精确率输出
    print('micro_precision:', metrics.precision_score(y_test, y_predict, average='micro')) #预测微平均精确率输出
    # print('weighted_precision:', metrics.precision_score(y_test, y_predict, average='weighted')) #预测加权平均精确率输出
    print('macro_recall:',metrics.recall_score(y_test,y_predict,average='macro'))#预测宏平均召回率输出
    print('micro_recall:',metrics.recall_score(y_test,y_predict,average='micro'))#预测微平均召回率输出
    # print('weighted_recall:',metrics.recall_score(y_test,y_predict,average='weighted'))#预测加权平均召回率输出
    print('macro_f1:',metrics.f1_score(y_test,y_predict,labels=[0,1,2,3,4,5,6],average='macro'))#预测宏平均f1-score输出
    print('micro_f1:',metrics.f1_score(y_test,y_predict,labels=[0,1,2,3,4,5,6,7],average='micro'))#预测微平均f1-score输出
    # print('weighted_f1:',metrics.f1_score(y_test,y_predict,labels=[0,1,2,3,4,5,6],average='weighted'))#预测加权平均f1-score输出
    #target_names = ['class 1', 'class 2', 'class 3','class 4','class 5','class 6','class 7']
    # print('混淆矩阵输出:
',metrics.confusion_matrix(y_test,y_predict,labels=[0,1,2,3,4,5,6]))#混淆矩阵输出 #比如[1,3]为2，即1类预测为3类的个数为2
    # print('分类报告:
', metrics.classification_report(y_test, y_predict,labels=[0,1,2,3,4,5,6]))#分类报告输出 ,target_names=target_names
def Evaluate2(y_true,y_pred):
    print("accuracy:", accuracy_score(y_true, y_pred))  # Return the number of correctly classified samples
    print("macro_precision", precision_score(y_true, y_pred, average='macro'))
    print("micro_precision", precision_score(y_true, y_pred, average='micro'))
    # Calculate recall score
    print("macro_recall", recall_score(y_true, y_pred, average='macro'))
    print("micro_recall", recall_score(y_true, y_pred, average='micro'))
    # Calculate f1 score
    print("macro_f", f1_score(y_true, y_pred, average='macro'))
    print("micro_f", f1_score(y_true, y_pred, average='micro'))

y_test    = [1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 4, 4,5,5,6,6,6,0,0,0,0]
y_predict = [1, 1, 1, 3, 3, 2, 2, 3, 3, 3, 4, 3, 4, 3,5,1,3,6,6,1,1,0,6]
Evaluate1(y_test,y_predict)
Evaluate2(y_test,y_predict)

##其中列表左边的一列为分类的标签名，右边support列为每个标签的出现次数．avg / total行为各列的均值（support列为总和）．
##precision recall f1-score三列分别为各个类别的精确度/召回率及 F1值
'''
accuracy: 0.5217391304347826
macro_precision: 0.7023809523809524
micro_precision: 0.5217391304347826
macro_recall: 0.5261904761904762
micro_recall: 0.5217391304347826
macro_f1: 0.5441558441558441
micro_f1: 0.5217391304347826

accuracy: 0.5217391304347826
macro_precision 0.7023809523809524
micro_precision 0.5217391304347826
macro_recall 0.5261904761904762
micro_recall 0.5217391304347826
macro_f 0.5441558441558441
micro_f 0.5217391304347826
'''

参考：

https://blog.csdn.net/lyb3b3b/article/details/84819931

https://blog.csdn.net/qq_43190189/article/details/105778058

https://aistudio.baidu.com/aistudio/projectdetail/926957