在 sklearn.metrics.f1_score 中，f1 分数有一个参数叫做“平均”。宏观、微观、加权和样本是什么意思？请详细说明，因为在文档中没有正确解释。或者简单地回答以下问题：
【问题讨论】：
标签： python python-3.x machine-learning scikit-learn metrics
问题是关于sklearn.metrics.f1_score中average参数的含义。
从code可以看出：
average=micro 表示通过考虑总的真阳性、假阴性和假阳性来计算 f1 的函数（无论数据集中每个标签的预测如何）average=macro 表示计算每个标签的 f1 的函数，并返回平均值而不考虑数据集中每个标签的比例。average=weighted 表示计算每个标签的 f1 的函数，并返回考虑到数据集中每个标签的比例的平均值。average=samples 表示为每个实例计算 f1 的函数，并返回平均值。将其用于多标签分类。【讨论】：
我发现一篇非常有用的文章更彻底地解释了这些差异并附有示例：https://towardsdatascience.com/multi-class-metrics-made-simple-part-ii-the-f1-score-ebe8b2c2ca1
不幸的是，它没有处理“样本”参数，而且我还没有尝试过多标签分类，所以我无法回答第 1 个问题。至于其他问题：
这些信息从何而来？如果我正确理解了这些差异，那么 micro 并不是不平衡数据集的最佳指标，而是最差的指标之一，因为它不包括比例。如文章所述，micro-f1 等于准确度，这是不平衡数据的一个有缺陷的指标。 例如：分类器要在数千张随机图片中识别猫图片，只有1%的数据集由猫图片组成（不平衡数据集）。即使它没有识别出一张猫图片，它的准确率/micro-f1-score 也达到了 99%，因为 99% 的数据被正确识别为非猫图片。
简而言之：宏观只是各个分数的算术平均值，而加权包括各个样本大小。我推荐这篇文章了解详细信息，如果需要，我可以提供更多示例。
我知道这个问题已经很老了，但我希望这对某人有所帮助。 如果我错了，请纠正我。我做了一些研究，但不是专家。
【讨论】：