精确度和召回率的几何平均值
我正在尝试制定一个自定义指标来评估ML模型。我想让精度和召回率的加权几何平均值，并以一种优先于召回率而不是精确度的方式对其进行权衡。我知道几何平均值是sqrt(精确度*召回)，但我不确定如何将其参数化，以便在python中更重视召回。这里有来自不平衡库的度量，但是我看不到我可以提供的任何权重
imblearn.metrics.geometric_mean_score(y_true, y_pred, labels=None, pos_label=1, average='multiclass', sample_weight=None, correction=0.0)你知道如何在python中实现我想要的东西吗？
回答 1
Stack Overflow用户
发布于 2021-01-03 05:54:43
如果你正面临着一个class-imbalance问题，一个介于精度和召回率之间的multi-class geometric mean，由标签supports (每个标签的位置样本数量)加权是一个很好的选择(这在你已经链接的imblearn中是允许的，使用参数average='weighted')。
然而，并不是你想要的。您正试图在 precision 和之间建立
我在流行的库中找不到任何加权几何均值的实现，所以我为此编写了一个自定义函数。
您可以使用y_true和y_pred的sklearn接口计算precision和recall，然后使用函数计算weighted geometric mean。
我基于下面的definition (第一种形式是幂而不是指数)编写了weighted_geometric_mean函数。
from sklearn.metrics import precision_score, recall_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
precision = precision_score(y_true, y_pred, average='micro')
recall = recall_score(y_true, y_pred, average='micro')
#parameter 'micro' calculates metrics globally by counting the total TP, FN and FP
scores = [precision, recall]
weights = [0.6,0.4] #60% precision, 40% recall
def weighted_geometric_mean(scores, weights):
wgm = np.product(np.power(scores, weights))
return wgm
weighted_geometric_mean(scores, weights)0.3333333333333333上面的实现通过参数micro使用全局精度和召回率。如果您想要考虑基于类的权重来计算精度和召回率(对于类不平衡情况)，请将其设置为weighted
编辑：在附注中，全局精度和召回率之间的加权几何平均值的权重总和为1 (60:40或50:50等)将始终得到相同的最终值！您可以通过在其TP、FP格式和用于调用的相同格式中写入精度来派生它。因此，我建议标签支持weighted精度和召回。
https://stackoverflow.com/questions/65544322
复制相似问题
腾讯云开发者
