如何计算平均TPR、TNR、FPR、FNR多类分类

Question

在数据集不平衡的情况下，如何计算平均TPR、TNR、FPR、FNR

示例FPR:[3.54224720e-04 0.00000000 E+00 1.59383505e-05 0.00000000 E+00] 那么，我可以计算4类的和除以4吗

TPR:[3.54224720e-04+0.00000000e+00+1.59383505e-05+0.00000000e+00]/4=0.99966

如何计算3.54224720e-04等于0.000354224720

多谢各位

FP = np.sum(matrix, axis=0) - np.diag(matrix)
FN = np.sum(matrix, axis=1) - np.diag(matrix)
TP = np.diag(matrix)
TN = np.sum(matrix) - (FP + FN + TP)

# True Positive rate
TPR = TP/(TP+FN)
print("TPR:", TPR)
# True Negative Rate
TNR = TN/(TN+FP)
print("TNR:", TNR)
# False Positive Rate
FPR = FP/(FP+TN)
print("FPR:", FPR)
# False Negative Rate
FNR = FN/(TP+FN)
print("FNR:", FNR)

# Overall accuracy
ACC = (TP+TN)/(TP+FP+FN+TN)
print("ACC :", ACC)

Answer 1

有不同的方法来衡量指标的平均值。如果您检查包，例如sklearn，您会看到可以提供多个参数。微观、宏观、加权等

如果您想手动计算它们，一种方法（微型）是从四个不同的输出中获得不同的TP、FN、FP和TN值，并将它们相加，然后计算度量

所以，你应该真正理解你的问题，看看哪一个是有意义的。大多数情况下，在数据不平衡的情况下，最好使用加权平均值。请记住，如果您有任何基线计算，您必须使用完全相同的方法来计算这些值，以进行公平比较，因为不同的平均方法之间可能存在巨大差异

是的，这两个数字是相等的

更新：

如文件所示：

Weighted average: Calculate metrics for each label, and find their average weighted by support (the number of true instances for each label). This alters ‘macro’ to account for label imbalance; it can result in an F-score that is not between precision and recall.

this question也是相关的

对于加权度量，您分别计算4个类中每个类的每个度量。根据每个类中的实例数，计算加权平均度量。此图显示了加权精度的等式：