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 0.00000000e+00 1.59383505e-05 0.00000000e+00] 那么，我可以计算 4 个类的和除以 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 它等于 .000354224720 ？
谢谢
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)
最佳答案
衡量指标平均值的方法有多种。如果您检查包裹，例如sklearn ，您会看到可以提供多个参数。微观、宏观、加权等等。
如果您想手动计算它们，一种方法(微观)是从四个不同的输出中获取不同的 TP、FN、FP 和 TN 值，并将它们加在一起，然后计算您的指标。
因此，您应该真正了解您的问题并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。请记住，如果您有任何基线计算，则必须使用完全相同的方法来计算这些值才能进行公平的比较，因为不同的平均方式之间可能存在巨大差异。
是的，这两个数字是相等的。
更新:
如文档所示:
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也有关系。
对于加权指标，您可以分别计算 4 个类别中每个类别的每个指标。有了每个类中的实例数，您就可以计算加权平均指标。下图显示了加权精度的方程:
关于python - 如何计算平均 TPR、TNR、FPR、FNR - 多类分类，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59985557/