机器学习中的MR和MRR

Norstc

已于 2022-03-29 21:06:39 修改

阅读量4.3k

点赞数 2

分类专栏：知识图谱与NLP 人工智能与深度学习文章标签：人工智能机器学习

于 2022-03-29 20:05:16 首次发布

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/a493823882/article/details/123830177

版权

人工智能与深度学习同时被 2 个专栏收录

68 篇文章

订阅专栏

知识图谱与NLP

11 篇文章

订阅专栏

设有一个test集，大小为M，对其进行分类，label的数目共有N个。那么预测结果共有M个，每个结果是对于N个label的评分，设第i个test目标的groud-truth排名为 $r_i\in\[1,N\]$ 。

MR（Mean Rank，平均排名）：

$MR=\frac1M\sum_{i=1}^{M}{r_i}$

MRR（Mean Reciprocal Rank，平均倒数排名）：

$MRR=\frac1M\sum_{i=1}^{M}{\frac{1}{r_i}}$

可见，MR越小越好，MRR越大越好。

MR的取值范围： $1,N$

MRR的取值范围： $\frac{1}{N},1$ ，（注意倒数，即1除以原数，而不是倒着数）

举例：

N=1000，M=10，

eg1：排名结果是前9个都是1，最后一个是1000，

那么MR=100.9，MRR=0.9001

当rank非常不均衡，MR不如MRR

eg2：排名结果是全都是4

那么MR=4，MRR=0.25

当rank非常均衡，MRR不如MR

所以为充分考虑，需要同时考察MR和MRR

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。