我有一个二分类问题，由于数据不平衡，我尝试计算Macro/Micro F1。我以为可以使用Sickitlearn来实现，但在查看了这里的文档后，发现当分类是二元时，计算只会针对正类进行。因此，我尝试自己计算。首先，我使用以下函数计算TP、TN、FP、FN：

def calculate(y_actual, y_pred):    TP = 0    FP = 0    TN = 0    FN = 0    for i in range(len(y_pred)):         if y_actual[i]==y_pred[i]==1:    # 真阳性           TP += 1    for i in range(len(y_pred)):         if y_actual[i]==1 and y_pred[i]==0:              FN += 1    for i in range(len(y_pred)):         if y_actual[i]==y_pred[i]==0:    # 真阴性           TN += 1    for i in range(len(y_pred)):         if y_actual[i]==0 and y_pred[i]==1:           FP += 1    return(TP, FP, TN, FN)

为了计算Micro/Macro F1，我需要分别计算每个类的精确度和召回率（我不知道如何做！），然后，例如，Macro F1可以按如下方式计算（如果我理解正确的话）：

类一的F1: 2(精确度*召回率)/(精确度+召回率)类二的F1: 2(精确度*召回率)/(精确度+召回率)Macro F1 = (类一的F1 + 类二的F1)/2 

关于计算Macro和Micro F1的参考资料可以在这里找到

那么，基于上述函数（calculate），是否有方法分别计算每个类的这些指标（TP/TN/FP/FN & 精确度 & 召回率）？任何帮助都将不胜感激。

回答：

你确实可以使用scikit-learn的例程。如果你想在二分类问题上使用指定的平均值，可以设置pos_label=None。然而，这些度量并不是特别有用。对于二分类或多分类问题，Micro平均F1与普通的准确率相同。Macro平均召回率，也称为平衡准确率，在二分类问题中比Macro平均F1更受欢迎且更有用。