sklearn micro macro weight 的区别

最新推荐文章于 2023-02-12 10:50:41 发布
最新推荐文章于 2023-02-12 10:50:41 发布
阅读量3k 收藏 5
点赞数 2
分类专栏： python
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/MrR1ght/article/details/93078960
版权

对于多个类别在统计准确率，召回率，fi-score时，sklearn有多种方式。

micro：微观的意思，统计总体数据的tp,tn,fp,fn。计算相应的评估指标

macro：宏观的意思，统计各自类别的tp,tn,fp,fn。对每个类别计算相应的评估指标。在计算均值。

weight：统计各自类别的tp,tn,fp,fn。对每个类别计算相应的评估指标。在计算均值时乘以各类别数据所占的权重，

参考：https://www.cnblogs.com/techengin/p/8962024.html

Fang Suk
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 4207
sklearn中 F1-micro 与 F1-macro区别和计算原理
sklearn中f1_score参数解析
weixin_43178406的博客
03-29 1万+
本文主要介绍了sklearn中f1_score参数解析，希望能对学习python和机器学习的同学有所帮助。 文章目录 1. f1_score 2. average
micro、macro、weighted、sample区别
weixin_40101756的博客
01-05 2779
在sklearn的度量函数中，average参数有四个：binary、 micro、macro、weighted、sample 1）没有参数时，默认是 'binary'，用于二分类； 2）进行单标签多分类时： 2.1） micro用于计算总体的指标，不对每个类别进行计算，如总体的TN、FN等 2.2） macro计算每个类别的指标，然后求和平均，不加权 2.3） weighted 计算每个类别的指标，然后根据每类样本数，进行加权求平均 3）多标签分类时，用sample ...
Lesson 6.6 多分类评估指标的 macro 和 weighted 过程 & Lesson 6.7 GridSearchCV 的进阶使用方法
每天进步一点点！
02-12 2568
多分类评估指标的 macro 和 weighted 过程，借助机器学习流构建全域参数搜索空间 ，优化评估指标选取，优化后建模流程
辨析sklearn.metrics里的average参数：binary/micro/macro/weighted/samples
Tobi
07-17 8860
前言 最近在搞一个多标签分类项目，涉及到metrics的选择，正好趁此搞清楚metrics里常用的几种average方式，官方api（见下图）里的解释感觉有的关键点还是不清晰，还是要自己摸索计算验证一番。说到这里不得不吐槽一下，网上一搜全是直接把API里的翻译成中文，然后就发一篇博文，请问有什么意义呢？还不如不发，浪费查找者的精力。所以决定写一篇具体的分析，加深自己及对此有疑问的同道的理解。 下面就开始分别介绍None、binary、micro、macro、weighted、samples这..
sklearn.metrics.accuracy_score/precision_score/recall_score、micro/macro/weighted(准确率、召回率)
wrwhahah的博客
12-01 6712
1、accuracy即我们通常理解的准确率，计算的时候是指在预测值pred与目标值target之间重叠的部分的大小除以pred的大小(或target的大小,因为sklearn要求pred与target大小必须一致)。 比如target=[2,2,2,3,2] pred=[2,2,1,3,4] 此时重叠的部分为pred[0]、pred[1]、pred[3]，accuracy=3/5=0.6 而precision_score意思类似，但不完全一样，它是从pred的角度考虑，意思是我虽然预测了
sklearn中精确率、召回率及F1值得micro，macro及weighted算法
sweet_tea_的博客
01-04 1080
sklearn中精确率、召回率及F1值得micro，macro及weighted算法
SKlearn二分类评价指标
taon1607的博客
07-02 5161
SKlearn的Metrics模块下有有许多二分类算法的评价指标，这里我们主要讨论最常用的几种。 1.准确度（Accuracy） from sklearn.metrics import accuracy_score(y_true, y_pred, normalize=True, sample_weight=None) 1.1参数说明 y_true：数据的真实label值 y_pred：数据的预测标签值 normalize：默认为True，返回正确预测的个数，若是为False，返回正确预测的比例 samp
sklearn中的逻辑回归
momokofly的博客
12-12 2415
1 概述 1.1 名为“回归”的分类器 逻辑回归是一种名为“回归”的线性分类器，它的本质是由线性回归变化而来的，一种广泛使用于分类问题中的广义回归算法。要理解逻辑回归从何而来，得先理解线性回归。线性回归是机器学习中最简单的回归算法，写作一个几乎人人熟悉的方程： z=a0+a1x1+a2x2+...+anxnz=a_0+a_1x_1+a_2x_2+...+a_nx_nz=a0​+a1​x1​+a2​x2​+...+an​xn​ 其中，aaa被统称为模型的参数，其中a0a_0a0​被称为截距（intercept
sklearn 绘制roc曲线_sklearn——逻辑回归、ROC曲线与KS曲线
weixin_39638305的博客
12-21 1504
一、sklearn中逻辑回归的相关类在sklearn的逻辑回归中，主要用LogisticRegression和LogisticRegressionCV两个类来构建模型，两者的区别仅在于交叉验证与正则化系数C，下面介绍两个类(重要参数带**加绿)：sklearn.linear_model.LogisticRegression(penalty=’l2’, dual=False, tol=0.0001,...
机器学习--分类标准
qq_36102055的博客
12-10 671
文章目录分类准确度精确率与召回率(查准率与查全率)平衡点与F1 分类准确度 分类准确度是常用的一种评测模型的标准，假设训练出的模型是fff，测试集是XXX，则分类准确度为 1m∑i=1mI(f(X(i))=yi)\frac{1}{m}\sum\limits_{i = 1}^m \mathbb{I}(f(X^{(i)}) =y_i)m1​i=1∑m​I(f(X(i))=yi​) 其中I\mathbb{I}I表示指示函数，后面的表达式如果为真那就返回1，否则返回0。 分类准确度表达了对于所有的测试数据模型能够预
一文解释Micro-F1, Macro-F1，Weighted-F1
鲁班七号
07-02 1万+
  本文用通俗易懂的形式解释多分类任务中的micro-f1，macro-f1，weighted-f1。前提需要知道基本的概念如精确率、召回率。  
#机器学习 Micro-F1和Macro-F1详解
热门推荐
往深度学习的深度广度冲！
04-26 6万+
micro-F1和macro-F1详解 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。.
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
多分类条件下分类指标：Macro-average和Micro-average，以及Weighted-average
jmhIcoding
03-17 1万+
在二分类条件下，我们可以很轻易的在混淆矩阵的基础上定义出各种指标（例如Accurarcy, precision, F1F_1F1​, recall），其定义方法如下： true positive: TP，真实情况为True,预测也为正的样本数。 false positive:FP，真实情况为False，预测为正的样本数。 false negative:FN，真实情况为True，预测为负的样本数。 true negative: TN，真实情况为False，预测为负的样本数。 对于这四个指标，在英文的取名是是
sklearn中 F1-micro 与 F1-macro区别和计算原理
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...
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 9701
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：
理解accuracy/precision_score、micro/macro
morein2008的专栏
10-23 2914
1、accuracy即我们通常理解的准确率，计算的时候是指在预测值pred与目标值target之间重叠的部分的大小除以pred的大小(或target的大小,因为sklearn要求pred与target大小必须一致)。 比如 target=[2,2,2,3,2] pred=[2,2,1,3,4] 此时重叠的部分为pred[0]、pred[1]、pred[3]，accuracy=3/5=0....
sklearn中的precision_score参数介绍
最新发布
09-05
scikit-learn（sklearn）库是Python中常用的机器学习库之一，提供了许多用于分类和回归问题的功能。precision_score是sklearn中一个用于计算精确度的函数。 精确度是分类模型性能评估的一项重要指标，它衡量了预测为正例的样本中真正为正例的比例。在二分类问题中，精确度的计算公式为：真正例数 / （真正例数 + 假正例数）。其中真正例数表示预测为正例且实际为正例的样本数，假正例数表示预测为正例但实际为负例的样本数。 precision_score函数的基本语法为：precision_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None) 其中参数解释如下： - y_true：实际的标签值列表或数组。 - y_pred：预测的标签值列表或数组。 - labels：待计算精确度的标签列表，如果为None，则计算所有标签的精确度。 - pos_label：代表正例的标签值。 - average：用于计算多类别问题的精确度，可选值为{‘binary’, ‘micro’, ‘macro’, ‘weighted’, ‘samples’}。通常使用binary即可。 - sample_weight：样本权重数组。 precision_score函数会根据给定的参数计算出相应的精确度值。值得注意的是，如果数据集中只存在一个类别，则该函数的返回值将会是0。 总结来说，precision_score是sklearn中用于计算精确度的函数，常用于分类模型的性能评估中。精确度可帮助我们了解分类模型在预测正例时的准确程度。
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