【分类模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)

已于 2022-06-16 11:27:52 修改
阅读量1.9w 收藏 105
点赞数 6
分类专栏： Python 文章标签： 分类 sklearn 机器学习
于 2022-02-14 11:28:04 首次发布
本文链接：https://blog.csdn.net/Joker00007/article/details/122920938
版权

当我们使用 sklearn.metric.classification_report 工具对模型的测试结果进行评价时，会输出如下结果：
在这里插入图片描述对于 精准率（precision ）、召回率（recall）、f1-score，他们的计算方法很多地方都有介绍，这里主要讲一下micro avg、macro avg 和weighted avg 他们的计算方式。

1、宏平均 macro avg:

对所有类别的平均

精准macro avg
=(P_no+P_yes) / 2
=(0.24+0.73) / 2 = 0.48

2、微平均 micro avg:
对数据集中的每⼀个实例不分类别进⾏统计建⽴全局混淆矩阵，然后计算相应指标：

精准micro avg = 召回micro avg = f1_micro avg
=(TP+TN) / (TP+FP+TN+FN)
=(0.54 * 7535 +0.42 * 22462 ) / (7535+22462)=0.45

3、加权平均 weighted avg：

是对宏平均的一种改进，考虑了每个类别样本数量在总样本中占比

精准加权weighted avg
=P_no * （support_no / support_all）+ P_yes * （support_yes / support_all）
=0.24*(7525 / 29997) + 0.73*(22462 / 29997)=0.61

参考：
分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
混淆矩阵（Confusion Matrix）分析
宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
【NLP】再看分类评估指标——宏平均，微平均

多类分类(Multi-label classification)性能评价之宏平均(macro-average)与微平均(micro-average)
疯子的专栏
07-16 1万+
通常，我们在评价classifier的性能时使用的是accuracy 考虑在多类分类的背景下 accuracy = (分类正确的样本个数) / (分类的所有样本个数) 这样做其实看上去也挺不错的，不过可能会出现一个很严重的问题：例如某一个不透明的袋子里面装了1000台手机，其中有600台iphone6, 300台galaxy s6, 50台华为mate7,50台mx4(当然，这些信息分类器是
【机器学习-模型评价指标】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
Joyeishappy的博客
08-11 1万+
我们使用 sklearn.metric.classification_report 工具对模型的测试结果进行评价时，会输出如下结果：（表格） 0 precision recall f1-score support 0 0.99 0.99 0.99 155 1 0.90 0.82 0.86 11 accuracy
​macro-F1（宏平均F1）​和micro-F1（微平均F1）
最新发布
编程小栈
03-26 810
在机器学习中，​macro-F1（宏平均F1）​和micro-F1（微平均F1）​是两种评估多分类任务性能的指标。它们的核心区别在于对各类别的权重分配方式不同，适用于不同的场景需求。用Macro-F1： 当类别不平衡​（如医疗诊断中的罕见病），且需要平等评估每个类别的表现时。 ​用Micro-F1： 当类别相对平衡​（如新闻分类），且更关注整体的准确率（尤其是大类样本的预测效果）。
【机器学习-模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
热门推荐
weixin_43090631的博客
07-08 2万+
当我们使用 sklearn.metric.classification_report 工具对模型的测试结果进行评价时，会输出如下结果： 对于 精准率（precision ）、召回率（recall）、f1-score，他们的计算方法很多地方都有介绍，这里主要讲一下micro avg、macro avg 和weighted avg 他们的计算方式。 1、宏平均 macro avg: 对每个类别的 精准、召回和F1 加和求平均。 精准 macro avg=(P_no+P_yes)/2=（0.24+0.
宏平均（macro avg）、微平均（micro avg）、加权平均（weighted avg)、精度（precision）、召回率recall、f1score、confusion matrix
咖乐部
11-04 8505
分类任务： 宏平均：对类的平均。有两类，直接 （0.24+0.73）/2 = 0.45 微平均：对每个样本的平均。样本总数有7535+22462个 ：0.24*7535+0.73*22462 加权平均：考虑了权重的宏平均。0.24*（7535/29997）+0.73*（22462/29997） 分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）：https://blog.csdn.net/sinat_28576553/ar..
机器学习训练集、验证集、测试集，分类问题和回归问题评估指标，交叉验证法，macro avg与weighted avg含义，roc_auc_score与classification_report函数
我的个人博客
08-09 9111
机器学习训练集、验证集、测试集，分类问题和回归问题评估指标，数据集划分方式：交叉验证法，precision、recall、f1-score与accuracy介绍，maro avg：宏平均，计算方式为每个类型的算术平均，weighted avg：加权平均，是用每个类型样本数量与对应权重相乘再除以所有类别的样本总数，ROC、AUC
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 7599
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
怎么把 precision recall f1-score support 0 0.90 0.91 0.91 10762 1 0.85 0.91 0.88 9339 2 0.85 0.41 0.55 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.78 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.91 0.91 0.91 10762 1 0.85 0.92 0.89 9339 2 0.86 0.44 0.58 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.76 0.79 21729 weighted avg 0.88 0.88 0.88 21729 samples avg 0.88 0.88 0.88 21729求这两个分类报告的平均值组成的新的分类报告python
06-02
new_report += f" macro avg{str(round(weighted_avg['macro avg']['precision'], 2)).rjust(10)}{str(round(weighted_avg['macro avg']['recall'], 2)).rjust(10)}{str(round(weighted_avg['macro avg']['f1-score'...
怎么把 2 0.86 0.43 0.57 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.79 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.92 0.92 0.92 10762分成 2 0.86 0.43 0.57 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.79 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729和 precision recall f1-score support 0 0.92 0.92 0.92 10762
06-03
`micro_avg_part` 表示微平均的部分，`macro_avg_part` 表示宏平均的部分，`weighted_avg_part` 表示加权平均的部分，`samples_avg_part` 表示样本平均的部分，`precision_recall_f1_score_part` 表示每个类别的精确...
【机器学习-分类模型评价指标】混淆矩阵&分类报告
m0_51933492的博客
08-26 7761
混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。 混淆矩阵里面统计的是个数，有时候面对大量的数据,光凭算个数，很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下4个指标 在实际场景中，有时候需要同时关注精准率和召回率。这种情
多分类f1分数_多分类的评价指标PRF（Macro-F1/MicroF1/weighted）详解
weixin_29356575的博客
12-28 1791
也许是由于上学的时候一直搞序列标注任务，多分类任务又可以简化为简单的二分类任务，所以一直认为PRF值很简单，没啥好看的。然鹅，细看下来竟有点晦涩难懂，马篇博留个念咯~前言PRF值分别表示准确率(Precision)、召回率(Recall)和F1值(F1-score)，有机器学习基础的小伙伴应该比较熟悉。根据标题，先区别一下“多分类”与“多标签”：多分类：表示分类任务中有多个类别，但是对于每个样本有...
Precision、Specificity、Sensitivity、Accuracy & F1-score：给定一个混淆矩阵作为输入，这个函数计算感兴趣的主要统计数据，包括macro AVG和microAVG。-matlab开发
05-31
给定一个混淆矩阵作为输入，该函数计算感兴趣的主要统计数据（包括宏 AVG 和 microAVG）： 'name' 'classes' 'macroAVG' 'microAVG' 精度// / xo 特异性 // / / xo 灵敏度 / / / xo 准确度 / / / xo F1-score // / / xo
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
多分类问题考察指标：宏平均（Macro-averaging）和微平均（Micro-averaging）
weixin_39490983的博客
04-24 6098
当我们的问题属于多分类问题时，考察在不同类别下综合考察分类器的优劣，需要引入宏平均（Macro-averaging）、微平均（Micro-averaging）。 宏平均（Macro-averaging）是指所有类别的每一个统计指标值的算数平均值，也就是宏精确率（Macro-Precision），宏召回率（Macro-Recall），宏F值（Macro-F Score），其计算公式如下： 宏查准率...
一文读懂多分类的评价指标（微平均、宏平均、加权平均）
cz的博客
06-22 3864
多分类下的评价标准
关于宏平均（Macro-averaging）和微平均（Micro-averaging）
chenpe32cp的博客
10-12 1万+
本为转载与此 今天在阅读周志华老师的《机器学习》一书时，看到性能度量这一小节，里面讲到了宏平均和微平均的计算方法，这也是我一直没有很清晰的一个概念，于是在看了之后又查阅了一些资料，但是还是存在一些问题，想和大家分享一下。 （1）召回率、准确率、F值 对于二分类问题，可将样例根据其真实类别和分类器预测类别划分为： 真正例（True Positive，TP）：真实类别为正例，预测类别为正例...
(笔记)宏平均和微平均
qq_42008588的博客
04-29 2416
目录 应用场景：多分类 计算公式： 例子： 例（1） 宏平均： 微平均： 例（2）： 宏平均： 微平均： 例（3）： 区别+更详细的应用场景： 结论： 应用场景：多分类 计算公式： （转自：谈谈评价指标中的宏平均和微平均_chenpe32cp的博客-CSDN博客） 两句话就是： 宏平均先在每个类别上计算P、R、F值，再取平均，我猜它之所以叫宏平均就是因为它用到了÷n；（自己的猜测，帮助理解） 微平均看总体的P、R，然后计算F； 例子： 例（1） （链..
宏观平均值和加权平均值（笔记自用）
weixin_45246566的博客
04-10 528
在做机器学习的作业，使用MLP分类indian pines数据集，两层隐藏层，大小都是1024，优化器Adam、激活函数ReLU、交叉熵损失、数据集划分4：1。
【机器学习】多分类任务的性能评价——宏平均和微平均
ccszbd的博客
05-24 1万+
很多时候我们有多个二分类混淆矩阵，例如进行多次训练/测试，每次得到一个混淆矩阵；或是在多个数据集上进行训练/测试，希望估计算法的“全局”性能；甚或是执行多分类任务，每两两类别的组合都对应一个混淆矩阵。总之，我们希望在n个二分类混淆矩阵上综合考察查准率和查全率。 二分类的分类结果混淆矩阵 真实情况/预测结果 正例 反例 正例 TP（真正例） FN（假反例） 反例 FP（假正例） ...
macro avg和weighted avg
04-01
macro avg和weighted avg都是衡量分类模型性能的指标。 Macro avg是将每个类别的指标（如精确度、召回率、F1得分等）平均计算，不考虑每个类别的样本数量。这意味着每个类别的重要性都是相同的，无论其样本数量大小如何。 Weighted avg则是以每个类别的样本数量作为权重，计算每个类别的指标，然后将它们加权平均。这意味着样本数量较多的类别对模型性能的贡献更大。 举个例子，假设一个模型对于两个类别A和B的分类结果如下： - 类别A：精确度0.8，召回率0.6，F1得分0.7，样本数100 - 类别B：精确度0.6，召回率0.8，F1得分0.7，样本数500 那么，macro avg的精确度、召回率和F1得分都是0.7（即(0.8+0.6)/2、(0.6+0.8)/2和(0.7+0.7)/2），而weighted avg的精确度、召回率和F1得分分别是0.64、0.76和0.7，其中精确度的计算为(0.8*100+0.6*500)/(100+500)=0.64，以此类推。
评论 2
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