تفاوت بین میانگین‌گیری میکرو و ماکرو چیست؟

در زمینه ارزیابی عملکرد هر مدل یادگیری ماشینی، اصطلاحات "میکرو" و "ماکرو" به روش‌های مختلف محاسبه معیارهای عملکرد، مانند دقت، پوشش و امتیاز F1 برای چندین کلاس اشاره دارند. در اینجا توضیحی از این مفاهیم ارائه می‌شود:

میانگین خرد (Micro-Averaging)

میانگین میکرو مشارکت‌های همه کلاس‌ها را برای محاسبه معیار میانگین جمع‌آوری می‌کند. این روش با هر نمونه به طور مساوی برخورد می‌کند، به این معنا که تعداد مثبت‌های درست، مثبت‌های کاذب و منفی‌های کاذب را برای همه کلاس‌ها جمع‌آوری کرده و سپس معیارها را محاسبه می‌کند.

مورد استفاده:

میانگین میکرو به‌ویژه برای مواجهه با مجموعه‌داده‌های نامتعادل که در آن برخی کلاس‌ها بسیار بیشتر از سایرین هستند، مفید است. این روش به معنای عملکرد کلی سیستم با وزن‌دهی کلاس‌ها براساس فراوانی آن‌ها اشاره دارد.

فرمول محاسبه:

میانگین کلان (Macro-Averaging)

میانگین ماکرو معیار را برای هر کلاس به طور مستقل محاسبه کرده و سپس میانگین این مقادیر را می‌گیرد. این روش با هر کلاس به طور مساوی برخورد می‌کند، بدون توجه به تعداد نمونه‌ها در هر کلاس.

مورد استفاده:

میانگین ماکرو زمانی مفید است که بخواهید عملکرد را به طور مساوی برای همه کلاس‌ها اندازه‌گیری کنید، که می‌تواند نشان دهد مدل چقدر در کلاس‌های کمتر فراوان عملکرد دارد. این به ویژه در مواردی که عملکرد کلاس‌های اقلیتی مهم است.

فرمول محاسبه:

مثال:

فرض کنید یک مسئله طبقه‌بندی چندکلاسه با سه کلاس (الف، ب و ج) داریم:

• کلاس الف : 50 نمونه
• کلاس ب : 30 نمونه
• کلاس ج : 20 نمونه

فرض کنید معیارهای عملکرد زیر را داریم:

• کلاس الف : دقت=0.9 و پوشش=0.8
• کلاس ب: دقت=0.7 و پوشش=0.6
• کلاس ج: دقت=0.8 و پوشش=0.7

محاسبه میانگین میکرو

تعداد مثبت‌های درست، مثبت‌های کاذب و منفی‌های کاذب را برای همه کلاس‌ها جمع‌آوری کرده و سپس دقت، پوشش و F1-score را محاسبه می‌کنید، مانند مقادیر بالا

محاسبه میانگین ماکرو

میانگین دقت، پوشش و F1-score برای هر کلاس را طبق فرمول محاسبه می‌کنید:

• دقت ماکرو: 3/(0.9+0.7+0.8)=0.8
• پوشش ماکرو:3/ (0.8+0.6+0.7)​≈0.7
• معیار F1-Score ماکرو : F1-score را برای هر کلاس محاسبه کرده و سپس میانگین آن‌ها را بگیرید.

نتیجه‌گیری:

تفاوت بین میانگین کلان و خرد در این است که میانگین کلان به هر دسته وزن مساوی می دهد در حالی که میانگین خرد به هر نمونه وزن مساوی می دهد. اگر تعداد نمونه های یکسانی برای هر کلاس داشته باشیم، هر دو Macro و Micro امتیاز یکسانی را ارائه می دهند.

• میانگین میکرو تحت تأثیر توزیع نمونه‌های کلاس‌ها قرار می‌گیرد و برای محاسبه عملکرد کلی زمانی که کلاس‌ها نامتعادل هستند، بهتر عمل می‌کند.
• میانگین ماکرو با همه کلاس‌ها به طور مساوی برخورد می‌کند و برای درک عملکرد در هر کلاس به طور مستقل، به ویژه زمانی که عملکرد در کلاس‌های اقلیتی مهم است، مفید است.