在sklearn.metrics.f1_score中，F1分数有一个名为”average”的参数。macro、micro、weighted和samples分别代表什么意思？请详细解释，因为在文档中没有充分说明。或者简单回答以下问题：

1. 为什么在多标签分类中”samples”是最佳参数？
2. 为什么在不平衡数据集中”micro”是最佳选择？
3. weighted和macro之间有什么区别？

回答：

这个问题是关于sklearn.metrics.f1_score中average参数的含义。

从代码中可以看到：

• average=micro表示函数通过计算总的真阳性、假阴性和假阳性来计算F1分数（不考虑数据集中每个标签的预测情况）。
• average=macro表示函数为每个标签计算F1分数，并返回不考虑数据集中每个标签比例的平均值。
• average=weighted表示函数为每个标签计算F1分数，并返回考虑数据集中每个标签比例的平均值。
• average=samples表示函数为每个实例计算F1分数，并返回平均值。适用于多标签分类。