F1 score,micro F1score,macro F1score 的定义

最新推荐文章于 2024-08-13 20:34:17 发布
最新推荐文章于 2024-08-13 20:34:17 发布
阅读量6.2k 收藏 25
点赞数 5
分类专栏： 机器学习 文章标签： 机器学习 分类问题 性能评价
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Alen_1996/article/details/82888919
版权
本文详细介绍了F1 Score、macro F1 Score和micro F1 Score的定义及其在分类问题中的应用。F1 Score用于评估二元分类器，而macro和micro F1 Score适用于多元分类器，尤其当类别分布不均衡时，micro F1 Score更能体现整体性能。
摘要由CSDN通过智能技术生成

本篇博客可能会继续更新

最近在文献中经常看到precesion,recall，常常忘记了他们的定义，在加上今天又看到评价多标签分类任务性能的度量方法micro F1score和macro F2score。决定再把F1 score一并加进来把定义写清楚，忘记了再来看看。

F1score

F1score(以下简称F1)是用来评价二元分类器的度量，它的计算方法如下：
F 1    =    2 1 p r e c i s i o n + 1 r e c a l l = 2 p r e c i s i o n × r e c a l l p r e c i s o n + r e c a l l F1\;=\;\frac2{ {\displaystyle\frac1{precision}}+{\displaystyle\frac1{recall}}}=2\frac{precision\times recall}{precison+recall} F1=precision1​+recall1​2​=2precison+recallprecision×recall​
F1是用来衡量二维分类的，那形容多元分类器的性能用什么呢？micro F1score,和macro F2score则是用来衡量多元分类器的性能。

macro F1score

假设对于一个多分类问题，有三个类，分别记为1、2、3，

TPi是指分类i的True Positive；
FPi是指分类i的False Positive；
TNi是指分类i的True Negative；
FNi是指分类i的False Negative。

我们分别计算每个类的精度(precision)
precision i = T P i T P i + F P i {\text{precision}}_i=\frac{TP_i}{TP_i+FP_i} precisioni​=TPi​+FPi​

最低0.47元/天 解锁文章
变量命名好难啊
关注
专栏目录
f1 score sklearn中 F1-micro 与 F1-macro区别和计算原理
jacke121的专栏
02-08 4226
sklearn中 F1-micro 与 F1-macro区别和计算原理
机器学习学习笔记（4）——macro-F1与micro-F1
LiQZ的博客
12-30 3366
本文以我自己的实验数据来作为样例说明何为macro F1与micro F1 目录1 前置知识2 macro-F1与micro-F12.1 使用场景2.2 计算方法3 总结4 参考 1 前置知识 关于F1 score的内容如果还不清楚的朋友，可以参考我的上一篇博客：《机器学习学习笔记（1）——错误率、精度、准确率、召回率、F1度量》 这里就只简单的提一下核心的混淆矩阵与公式： F1 score的公式： F1=2PRP+RF1 = \frac{2 P R}{P + R}F1=P+R2PR​ 其中：PPP是.
如何通俗理解准确率、精确率、召回率、F1score、AUC、ROC
最新发布
An_oak的博客
08-13 1581
本文我会用最通俗的语言帮助大家快速理解并记住准确率、精确率、召回率、F1score，AUC、ROC以及特异度。这些指标其实乍一看能知道都是什么，但是一用起来记不住定义。
micro和macro F1 score理解
weixin_42638415的博客
03-28 3404
首先，明确一个概念，精确率(Precision)和召回率(Recall)并不是只有在目标检测中才有的，是所有任务涉及到分类的都有。而且P和R是针对于每一类来说的，每一个类别都有自己的准确率和召回率，计算每一个类别时，该样本即为正样本，其他样本统一为负样本来计算。 首先，先说F1 score，它其实是用来评价二元分类器的度量。 F1是针对二元分类的，那对于多元分类器，有没有类似F1 score的度量方法呢？那就是这里提到的micro-F1和macro-F1 macro-F1 ...
ML: F1score与Macro-F1 score
sevune的博客
02-01 1213
F1值是一种用于评估二分类模型性能的指标，结合了模型的精确度（Precision）和召回率（Recall）。F1值是这两个指标的调和平均数。PrecisionTPFPTP​RecallTPFNTP​F12⋅PrecisionRecallPrecision⋅Recall​F1值对于那些需要平衡精确度和召回率的任务非常有用，例如医学诊断、垃圾邮件检测等。
【评价指标】详解F1-score与多分类MacroF1&MicroF1
忽逢桃林的博客
07-22 8030
基本概念 首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN TP:true positive。预测是正确的正样本 FP:false positive。预测是错误的正样本 TN：true negative。预测是正确的负样本 FP:false positive。预测是错误的负样本 通常我们会做出这样的一个混淆矩阵： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rc8E9gBl-1595353574343)(http:/
F1 score中的Micro和Macro的区别
qq_30290795的博客
11-02 399
转载自: https://www.jianshu.com/p/42d5d1121b01
sklearn.metrics.f1_score中micro、macro、samples理解
qq_40824311的博客
10-23 2768
前言 micro_f1、macro_f1、example_f1等指标在多标签场景下经常使用，sklearn中也进行了实现，在函数f1_score中通过对average设置"micro"、“macro”、"samples"便可进行上述指标的计算。关于micro_f1、macro_f1网上有很多资料，但example_f1相关资料较少，为此对sklearn.metrics中_classification.py进行了解读，对上述三种指标的计算过程进行简单总结。 可以直接看总结部分，如果能理解的话（主要个人表达能力
accuary、micro 、macro、weighted F1-score
yimenren的博客
03-17 1898
目录 1.多分类中accuary与micro F1-score的恒等性证明【1】： 2.机器学习 Micro-F1和Macro-F1详解【2】 1.多分类中accuary与micro F1-score的恒等性证明【1】： 多分类中accuary与micro F1-score的恒等性_da_kao_la的博客-CSDN博客https://blog.csdn.net/da_kao_la/article/details/104616016 P = TP / (TP + FP) R = TP
F1 Score原理与代码实例讲解
AI天才研究院
06-26 1046
F1 Score原理与代码实例讲解 1.背景介绍 在机器学习和数据科学领域，评估模型性能是一个至关重要的环节。无论是分类问题还是回归问题，选择合适的评估指标都能帮助我们更好地理解模型的表现。对于分类问题，尤其是不平衡数据集，F1 Score 是一个非常重要的评估指标。它综合了精确率（Pre
【机器学习】F1-score那些事
aqwca的博客
09-02 949
如果你有一个不平衡的数据集，那么你应该使用macroF1分数，因为即使类是偏斜的，这仍然会反映真实的模型性能。然而，如果你有一个平衡的数据集，那么可以考虑microF1分数，特别是如果与最终用户交流结果很重要的话。
宏查全率？宏查准率？宏F1？（详细解释，通俗易懂）
qq_64411728的博客
06-08 383
详细解释了一下宏查全率，宏查准率，宏F1，通俗易懂，刚学人工智能的小伙伴们可放心食用~
【多分类指标-Macro-F1 与Micro-F1】
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
10-09 8833
转载 https://blog.csdn.net/lyb3b3b/article/details/84819931 还可参考 https://www.cnblogs.com/techengin/p/8962024.html https://zhuanlan.zhihu.com/p/64315175 https://blog.csdn.net/qq_43190189/article/details/105778058 https://blog.csdn.net/sinat_28576553/article/d
sklearn中 F1-micro 与 F1-macro区别和计算原理
热门推荐
lyb3b3b的专栏
12-05 3万+
二分类使用Accuracy和F1-score，多分类使用宏F1和微F1。 最近在使用sklearn做分类时候，用到metrics中的评价函数，其中有一个非常重要的评价函数是F1值， 在sklearn中的计算F1的函数为 f1_score ，其中有一个参数average用来控制F1的计算方式，今天我们就说说当参数取micro和macro时候的区别 1、查准率，查全率，F1值: 对...
机器学习中的评价指标：F1-score
HACK IT!!!
02-11 5866
机器学习中的评价指标：F1-score 图：西雅图（Seattle） Guderian出品 回顾：F1-score的计算过程 混淆矩阵（Confusion Matrix） 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。 在机器学习领域，混淆矩阵用于衡量一个分类器的准确程度。对于二分类问题，将其样例根据真实类别和分类器的预测类别的组合划分为真正例(True...
F1 得分(Macro-F1与Micro-F1)
jianghuixin
02-08 1903
对于二分类, F1 得分等于 Precision 与 Recall 的调和平均数, 公式如下: F1-Score=2∗Precsion∗RecallPrecision+Recall F1\text{-}Score=\frac{2*Precsion*Recall}{Precision+Recall} F1-Score=Precision+Recall2∗Precsion∗Recall​ 对于多分类, 因为包含多个类别, F1 得分的计算包含 Macro-F1 和 Micro-F1 两种方式 创建示例数据 假
【CV】从分类到回归：常见算法评价指标，如ROC，MAP等
种一棵树最好的时间是十年前，其次是现在
06-25 1457
在ROC曲线中，点（0,0）表示将所有样本都预测为负样本，点（1,1）表示将所有样本都预测为正样本，曲线越靠近左上角，表示模型的性能越好。与算术平均数、几何平均数和中位数等常见的平均数不同，调和平均数更加关注小数值，因为任何一个小于1的数的倒数都大于1，所以当一组数据中有个别数较小的时候，调和平均数会受到这些小数的影响而偏小。P-R曲线的优点是对于正样本的分类能力有更好的体现，对于每张测试图片，需要计算出该图片中每个物体类别的平均精度（AP），然后将所有物体类别的平均精度的平均值作为该图片的平均精度。
F1 micro macro 区别和详解
weixin_48185819的博客
08-24 1万+
micro-F1和macro-F1详解 摘要 micro-F1： macro-F1： weighted-F1 调参 摘要 F1-score：是统计学中用来衡量二分类模型精确度的一种指标，用于测量不均衡数据的精度。它同时兼顾了分类模型的精确率和召回率。F1-score可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。 在多分类问题中，如果要计算模型的F1-score，则有两种计算方式，分别为micro-F1和macro-F1，这两种计算方式在二分类中与.
F1Score()参数设置
04-06
F1Score() 函数的参数设置如下： 1. y_true：实际值，类型为数组或列表。 2. y_pred：预测值，类型为数组或列表。 3. average：计算 F1 Score 的方式，可选参数为 "micro"、"macro" 或 "weighted"。默认为 "binary...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值