微平均 宏平均 微平均(准确率、召回率、f1-score相等) 以及 TP、TN、FP、FN的理解

最新推荐文章于 2024-01-04 00:02:27 发布
最新推荐文章于 2024-01-04 00:02:27 发布
阅读量3.6k 收藏 9
点赞数
分类专栏： 机器学习
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/Lord_sh/article/details/107205834
版权

微平均、宏平均：

一种计算方法是把所有类别的一次性都考虑进来，计算类别预测的准确率。（微平均）

另外还有一种是对每个类别分开考虑，计算单独每个类别的准确率，最后再进行算术平均得到该测试集的准确率。（宏平均）

其中微平均 recall = precise = f1-score 无论是二分类还是多分类， 因为要统计所有的类别， 所以TP为各个类别分对的数目的总和， FP= FN 为各个类别分错数目的总和，recall = precise = 正确分类 / (正确分类 + 错误分类) 

所以：average（宏平均） 会比 micro-average（微平均） 好一些哦，因为macro会受minority class影响更大，也就是说更能体现在small class上的performance。

对 TP、TN、FP、FN的理解：

病毒检测的场景： 真阳、真阴、假阳、假阴

阳和阴指的是检测结果

真和假指的是实际情况

 

https://zhuanlan.zhihu.com/p/78628437

https://www.zhihu.com/question/30643044/answer/224360465

Lord_sh
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 4585
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
sklearn计算准确率、精确率、召回率、F1 score（宏平均 微平均）
今天你学习了吗？
05-31 5493
混淆矩阵 混淆矩阵见：https://blog.csdn.net/qq_36895331/article/details/115271792?spm=1001.2014.3001.5501 准确率 import numpy as np from sklearn.metrics import accuracy_score y_pred = [0, 2, 1, 3] y_true = [0, 1, 2, 3] print(accuracy_score(y_true, y_pred)) print(acc
谈谈评价指标中的宏平均和微平均
weixin_34218579的博客
03-14 883
谈谈评价指标中的宏平均和微平均 　　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）...
多分类中宏平均与微平均的区别
weixin_43461341的博客
09-02 1355
宏平均： 微平均： 宏平均和微平均的对比 如果每个class的样本数量差不多,那么宏平均和微平均没有太大差异 如果每个class的样本数量差异很大,而且你想: 更注重样本量多的class:使用宏平均 更注重样本量少的class:使用微平均 如果微平均大大低于宏平均,检查样本量多的class 如果宏平均大大低于微平均,检查样本量少的class ...
accuracy、precision、recall、宏平均、微平均
fly_Xiaoma的博客
10-14 1709
1、accuracy、precision、recall TP:实际为正，且划分为正的样本数，真正数。 FP:实际为负，且划分为正的样本数，假正数。 TN:实际为负，且划分为负的样本数，真假数。 FN:实际为正，且划分为负的样本数，假负数 accuracy：准确率，预测正确的结果占总数的比例 (TP+TN)/(TP+FP+TN+FN) precision：精确率，预测为正且正确的样本...
评价指标中的宏平均和微平均
qq_34126716的博客
09-21 8264
评价指标中的宏平均和微平均什么是召回率、准确率和F值？ 要理解宏平均和微平均，首先需要掌握召回率（R）、准确率（F）和F值。 什么是召回率、准确率和F值？ 对于二分类问题，可以将样例根据其真实类别和分类器类别划分为： 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。 假负例（False Negative，FN）：真实类别为正
acc.m.zip_ACC图像分割_F1-score_Score!_acc.m_图像召回率
09-23
综上所述，这个压缩包包含了一个MATLAB脚本，用于执行图像分割并计算相关的性能指标，特别是F1-score和召回率。这些指标对于评估和优化图像分割算法至关重要，可以帮助研究人员理解算法在检测和分类图像区域方面的...
在keras里面实现计算f1-score的代码
09-16
在Keras中，F1分数（F1-score）是一种常用的评价指标，特别是在二分类和多分类任务中，它综合考虑了模型的精确度（precision）和召回率（recall）。F1分数是精确度和召回率的调和平均值，可以更全面地反映模型的性能...
Caffe-ssd输出准确率和召回率
03-08
Caffe-SSD的solver.cpp修改后的源码，可输出准确率、召回率和PR曲线值
Pytorch 计算误判率,计算准确率,计算召回率的例子
09-18
在机器学习和深度学习中，评估模型性能的关键指标包括误判率、准确率和召回率。PyTorch 是一个流行的深度学习框架，它提供了一种灵活的方式来计算这些指标。以下是对这些概念的详细解释。 **准确率(Accuracy)**： ...
机器学习 之评估指标 召回率，查准率，F1分数(f1值)
01-07
1、召回率：评价模型的完整性 预测样本中的预测正确的信息条数/总样本中所有的属于这类样本的信息条数 举例： 这里用鱼和虾举例 TP： ...准确率 = （TP+TN）/(TP+FP+FN+TN) 3、F1分数： F1分数可以看作模型的
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 6862
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
微平均micro-F1,宏平均macro-F2计算方法
liuweizj12的博客
07-09 5942
前言 F1是我们常用的衡量指标,不知道有多少同学和我一样,对micro macro一直似懂非懂,于是今天手动算了一下,分享给大家~ 相信大家看了就明白了 本文的前提是,读者已经懂了precision和recall的基本概念,不清楚的同学可以先去看一下其他的文章~ 差准率(precision)和查全率(recall) 对于二分类来说,可以将标签分为正类和负类,如下图 真实标签 ＼ 预测标签...
(笔记)宏平均和微平均
qq_42008588的博客
04-29 1978
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..
微平均的服务拓扑管理与可视化
最新发布
禅与计算机程序设计艺术
01-04 378
1.背景介绍 微平均(Microservices)是一种软件架构风格，它将应用程序拆分成小的、独立运行的服务。这些服务通过轻量级的通信协议(如HTTP和gRPC)相互协同，以实现整个应用程序的功能。微服务架构的优势在于它的可扩展性、灵活性和容错性。然而，随着微服务数量的增加，服务之间的依赖关系也变得复杂，这导致了服务拓扑管理和可视化的问题。 在这篇文章中，我们将讨论如何使用微平均的服务拓扑管理...
宏平均（Macro-averaging）、微平均（Micro-averaging）和权重平均（weight-averaging）的理解
Lisen’s blog
05-13 9596
很多博客关于宏平均，微平均，权重平均介绍了一大堆的公式，让人看了一头雾水，本文主要重点介绍怎么计算，从实例出发，相信大家在跟着算完一遍之后就知道这三个平均的意思了。 相关定义： 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。 假负例（False Negative，FN）：真实类别为正例，预测类别为负例。 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。 以正例为例计算：
分类指标：准确率、精确率、召回率、F1 score以及ROC、AUC、宏平均、加权平均
TFATS的博客
06-29 9251
本文将介绍： 混淆矩阵（Confusion Matrix） 准确率（accuracy） 召回率（recall） 精确率（precision） F1score ROC和AUC 宏平均(macro avg) 微平均(micro avg) 加权平均(weighted avg) 一，混淆矩阵（Confusion Matrix） 在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。 TP：
关于宏平均（Macro-averaging）和微平均（Micro-averaging）
热门推荐
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...
微平均在云计算中的实践
禅与计算机程序设计艺术
12-25 1018
1.背景介绍 随着大数据技术的发展，云计算在各行业中的应用也日益广泛。微平均是一种高效的数据处理方法，它可以在云计算中实现大规模数据的处理和分析。在这篇文章中，我们将深入探讨微平均在云计算中的实践，包括其核心概念、算法原理、代码实例等。 1.1 大数据和云计算 大数据是指由于互联网、网络传感器、社交媒体等技术的发展，产生的数据量巨大、多样性丰富、传输速度快的数据。大数据具有五个特点：Volu...
python不用库实现准确率、召回率和F1-score
05-26
可以使用Python编写代码来计算准确率、召回率和F1-score，以下是一个示例代码： ```python # 实际值 y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1] # 预测值 y_pred = [1, 0, 0, 1, 1, 1, 0, 1, 0] # 计算准确率 accuracy = sum([1 for i in range(len(y_true)) if y_true[i] == y_pred[i]]) / len(y_true) print("Accuracy:", accuracy) # 计算召回率 true_positive = sum([1 for i in range(len(y_true)) if y_true[i] == 1 and y_pred[i] == 1]) false_negative = sum([1 for i in range(len(y_true)) if y_true[i] == 1 and y_pred[i] == 0]) recall = true_positive / (true_positive + false_negative) print("Recall:", recall) # 计算F1-score precision = true_positive / sum(y_pred) f1_score = 2 * precision * recall / (precision + recall) print("F1-score:", f1_score) ``` 这个示例代码中，我们使用了两个列表 `y_true` 和 `y_pred`，分别表示实际值和预测值。然后，我们分别计算了准确率、召回率和F1-score。其中准确率的计算比较简单，只需要统计预测正确的样本数量并除以总样本数即可。召回率和F1-score的计算需要分别统计真正例、假反例和真反例的数量，然后根据公式计算即可。
评论
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