二分类的precision、recall、acc

已于 2023-02-16 19:42:57 修改
阅读量497 收藏
点赞数
分类专栏： NLP 文章标签： 深度学习 Powered by 金山文档
于 2023-02-16 18:35:44 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/onlyxinbaby/article/details/129067508
版权

二分类的 macro的P=R=ACC，因此 macro F1 = ACC = 2PR/(P+R)。

在多分类里面，micro F1 = ACC

macro就是把所有的类别看成一体的，micro是分别求每个类然后取平均。

在二分类或者多分类一里面，一个分类结果对一个类来说可能是False positive，而对另一个类来说可能是False negative，注意有一个重叠关系，再比如一个类的true positive对另一个来说可能是true negative。就是因为计数的重叠性，才产生了F1和ACC可能会相等的情况。

macro的就不相等了，多分类问题，如果类别平衡，那其实用ACC足够了，如果类别不平衡，考虑F1或者AUC。

onlyxinbaby
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
resnet二分类/recall_precision评价
10-30
resnet二分类/recall_precision评价. 数据读取，处理，batch生成等功能
二分类任务评价指标（上）
zenRRan的博客
01-09 394
每天给你送来NLP技术干货！来自：AI算法小喵点击这里进群—>加入NLP交流群1. 评价指标在对比不同模型时，我们需要在测试集上用评价指标去对比模型的泛化能力。当然不同的评价指标会有不同的结果，模型的“好”与“差”是相对的。可能在某个指标下，模型A的效果优于模型B；但在另一个指标下，模型B的效果却优于模型A。我们需要全面了解一个任务的评价指标体系，然后根据具体的业务目标/任务需求去选择相应的...
深入理解人工智能模型能力指标F1的具体意义
郝伟老师的博客——大数据、并行计算与人工智能时代
05-16 3829
文章目录简介示例结论 简介 在对人工智能训练能力水平评估的标准中，准确性（Accuracy），精准度（Precision），召回率（Recall）和 综合指标 F1。 三前者相对比较好理解，基具体定义如下： 准确率（ACC）：(TP+TN)/(TP+FP+TN+FN) 精准率（PRE）：TP / (TP + FN) 召回率（REC）：TP / (TP + TN) 但是F1的定义相对复杂一些，定义如下： F1=21PRE+1REC F1 = \frac2 {\frac1{PRE} + \frac1{REC
多分类中accuary与micro F1-score的恒等性
da_kao_la的博客
03-02 5247
发现在多分类问题（这里『多分类』是相对于『二分类』而言的，指的是类别数超过2的分类问题）中，用sklearn的metrics.accuracy_score(y_true, y_pred)和float(metrics.f1_score(y_true, y_pred, average="micro"))计算出来的数值永远是一样的，在stackoverflow中搜索这个问题Is F1 micro the...
二分类的评估指标
weixin_41651734的博客
06-18 884
文章目录混淆矩阵指标准确率（Acc）召回率（Recall）精确率（Precision）f1真正类率（TPR）负正类率（FPR）KS值AUCGAUC曲线图recallPrecision曲线KS曲线ROC曲线 混淆矩阵 二分类的混淆矩阵 TN：将负类预测为负类（真负类） FN：将正类预测为负类（假负类） TP：将正类预测为正类（真正类） FP：将负类预测为正类（假正类） 指标 准确率（Acc） 俗称：样本中分对的占比 即：测试样本中正确分类的样本数占总测试的样本数的比例 召回率（Recall） 俗称：
模型测试集上准确率(ACC)、精确率precision、召回率recall、AUC评估指标计算
热门推荐
weixin_42357472的博客
04-01 1万+
TP: 预测为正，实际为正 TN: 预测为负，实际为负 FP:预测为正，实际为负 FN: 预测为负，实际为正 准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) 精确率(precision) = TP/(TP+FP) 召回率(recall) = TP/(TP+FN) f-score = 精确率 * 召回率 * 2 / (精确率 + 召回率) ——————准确率、auc比较常用————————— ACC 准确率 acc计算要y_predict预测结果为整数int.
【图像识别评价指标】一文看懂二分类，多分类，Rank-N，mAP，recall，acc等的关系
HollrayChan的博客
05-05 5722
图像检索：信息检索评价指标 ReID任务中的CMC和mAP sklearn.metrics中的评估方法介绍（accuracy_score, recall_score, roc_curve, roc_auc_score, confusion_matrix） sklearn中的模型评估-构建评估函数 行人重识别计算RANK-1具体是怎么操作的？ ...
sklearn(六)计算acc、recall、f1中micro和macro的区别
凝眸伏笔的博客
12-01 4486
‘micro’:通过先计算总体的TP，FN和FP的数量，再计算F1，Precision（tp/(tp+fp)） = Recall（tp/(tp+fn)） = F1_score（2 * (precision * recall) / (precision + recall)） = Accuracy（T/(T+F)）计算micro时，四者相等（如果没有出现预测错误的情况，如下面的例子预测为0，否则tp=T,fp=fn=F） ‘macro’:分布计算每个类别的F1，然后做平均（各类别F1的权
Python随机生成体温并写入Excel
qq_45613277的博客
06-01 8142
Python随机生成体温并写入Excel 疫情期间在校需要时常测量体温，早晚各一次，并且要填入Excel表格中汇总，十分麻烦，所以写了一个Python程序生成随机数作为温度填入Excel中。 # coding=UTF-8 import random import xlrd import xlwt from xlutils.copy import copy # 前几列需要一些基本信息 用此函数生成 def create_value(): date=1 # 生成一天的数据 all_value
accuary、micro 、macro、weighted F1-score
yimenren的博客
03-17 1790
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
混淆矩阵：计算recall、precision、acc
最新发布
05-03
混淆矩阵
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
分类结果处理：混淆矩阵，precision，recall，roc等
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
prec_rec.zip_Curves_Recall_precision recall_precision-recall_rec
09-23
Draws Precision REcall curves
基于光伏电站真实数据集的深度学习预测模型（Python代码，深度学习五个模型）
qq_40840797的博客
04-29 475
3.模型（LSTM；LSTM_transform模型）评价指标。前6行的10列数据（黄色部分）作为特征输入，第7行的第10列数据（红色部分）为标签。每一行前9列（黄色部分） 作为特征输入，每一行的第10列值作为标签（红色部分）根据已获取的历史数据预测下一个时间点或者未来多个时间点 更符合实际。5. 对数据集和代码感兴趣的，可以关注最后一行。1min是以1min 间隔采集的数据集。这里分别保存了不同间隔采样时间表格。数据集截图（开始位置截图）4.效果图(测试集)
强化学习和深度学习的差异对比
天道酬勤
04-26 1133
它是通过展示大量的图片和相应的标签（例如，“猫”、“狗”等）来学习识别模式的，就像是你通过看不同的猫的图片来学习认识猫一样。如果你的问题涉及到需要做出一系列连续的决策，并且需要考虑环境的反馈以优化某种目标（比如控制机器人、制定金融投资策略等），那么强化学习可能是更合适的选择。有时，深度学习和强化学习可以结合使用，形成深度强化学习（DRL），以利用深度学习在表征学习方面的优势，并将其与强化学习的决策能力结合起来。强化学习通常需要更少的标记数据，因为学习是通过与环境的交互来实现的，而不是直接从标记数据中学习。
笔记12-远程服务器上配置linux深度学习C++环境全过程记录（笔记1和2的同样环境第3次配置）
tfxzgp的博客
04-29 805
（笔记1和2在windows上装的同样环境在远程服务器上配置）
深度学习之基于Vgg16卷积神经网络印度交警手势识别系统
Q1744828575的博客
05-03 949
一、项目背景随着智能交通系统的发展，手势识别技术成为了一个关键组成部分，特别是在交通管理领域。在印度等人口稠密、交通繁忙的国家，交警手势在指挥交通中扮演着至关重要的角色。然而，由于人为因素和环境因素的影响，传统的交警手势识别方法往往存在识别不准确、反应速度慢等问题。因此，本项目旨在利用深度学习技术，特别是VGG16卷积神经网络，构建一个能够准确、快速地识别印度交警手势的系统。二、项目目标本项目的主要目标是通过深度学习技术，利用VGG16卷积神经网络实现对印度交警手势的自动、准确识别。
VoxAtnNet:三维点云卷积神经网络
qq_45880982的博客
04-28 702
面部生物识别是智能手机确保可靠和可信任认证的重要组件。然而，面部生物识别系统容易受到呈现攻击（PAs）的影响，且随着更复杂的呈现攻击工具，如3D硅胶面部面具的可用性，攻击者可以轻易欺骗面部识别系统。在这项工作中，作者提出了一种基于智能手机前置摄像头捕获的3D点云的新型呈现攻击检测（PAD）算法，以检测呈现攻击。所提出的PAD算法VoxAtnNet处理3D点云以获得 Voxel 化以保留空间结构。然后，使用新型卷积注意力网络对 Voxel 化的3D样本进行训练，以在智能手机上检测PAs。
介绍评价指标NDCG、AUC、ACC、Precision、Recall
07-27
2. AUC (Area Under the ROC Curve)：AUC是用于衡量分类算法性能的指标，常用于评估二分类问题的预测准确性。ROC曲线是以真正例率（True Positive Rate）为纵轴，假正例率（False Positive Rate）为横轴绘制的曲线，...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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