混淆矩阵、召回率、精确率、准确率、宏平均F1和微平均F1

最新推荐文章于 2023-08-20 22:18:23 发布
最新推荐文章于 2023-08-20 22:18:23 发布
阅读量1.8k 收藏 6
点赞数 2
分类专栏： 数学 评价指标 文章标签： 深度学习 机器学习 自然语言处理 神经网络
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/qq_33331424/article/details/109701925
版权

1 混淆矩阵

 预测为真预测为假
类别为真正确预测成真（True Positive，TP）错误预测为假（False Nagetive，FN）
类别为假错误预测为真（False Positive，FP）正确预测为假（True　Nagetive，TN）

２准确率、精确率、召回率、F1 score

准确率:模型预测正确的个数所占总样本的比例

accuracy=\frac{TP+TN}{TP+FP+TN+FN}

精确率:模型预测为真的样本中,真正的正样本所占的比例

precision=\frac{TP}{TP+FP}

召回率:样本中预测的类别和应该预测成该类别所占的比例

recall=\frac{TP}{TP+FN}

F1 score:精确率和召回率是此消彼长的关系,F1 score则是二者的平衡指标

F1=\frac{2*precision*recall}{precision+recall}

3 多分类下的指标

 类别1类别2...total
正确预测成真（True Positive，TP，该类别预测为该类别）TP1TP2...TPtotal=TP1+TP2+...
错误预测为假（False Nagetive，FN，该类别预测为非该类别）FN1FN2...FNtotal=FN1+FN2+...
错误预测为真（False Positive，FP，非该类别预测为该类别）FP1FP2...FPtotal=FP1+FP2+...
正确预测为假（True　Nagetive，TN，非该类别预测为非该类别）TN1TN2...TNtotal=TN1+TN2+...
 P1,R1,F1P2,R2,F2...Ptotal,Rtotal,F1total

准确率:

accuracy=\frac{TP_{total}+TN_{total}}{TP_{total}+FP_{total}+TN_{total}+FN_{total}}

宏平均（macro average）：

macro\ p = average(p_1 + p_2 +...p_n)

macro\ r = average(r_1 + r_2 +...r_n)

macro\ f1 = \frac{2*macro\ p *macro\ r}{macro\ p+macro\ r}

微平均（micro average）：

micro\ p = \frac{average(TP_1 + TP_2+...TP_n))}{average(TP_1 + TP_2+...TP_n) + average(FP_1 + FP_2+...FP_n)}

micro\ r = \frac{average(TP_1 + TP_2+...TP_n))}{average(TP_1 + TP_2+...TP_n) + average(FN_1 + FN_2+...FN_n)}

micro\ f1 = \frac{2*micro\ p*micro\ r}{micro\ p+micro\ r}

未来科技工作室
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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 4094
sklearn中 F1-micro 与 F1-macro区别和计算原理
微平均micro-F1,宏平均macro-F2计算方法
liuweizj12的博客
07-09 5938
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...
【机器学习】分类算法评估指标全总结(2023最新整理)关键词：准确率Accuracy、精确率Precision、召回率Recall、Micro F1、P-R、ROC、MCC、Cohen‘s kappa
Next_SummerAgain的博客
03-20 1万+
评估指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。 针对不同类型的学习任务，我们有不同的评估指标，这里我们来介绍最常见的分类算法的一些评估指标。常用的分类任务评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、Macro F1、Micro F1、P-R曲线（Precision-Recall Curve）、ROC、AUC、MCC、Cohen
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 9244
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：
【分类模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
Joker 007的博客
02-14 1万+
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+0.73)
分类问题中的评价指标（F1-Score、Micro-F1、Macro-F1）
qq_50595984的博客
10-22 1982
分类问题的评价指标
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： 将鱼预测为鱼 FP: 将虾预测为鱼 FN: 将鱼预测虾 TN： 将虾预测为虾 召回率R = TP...
acc.m.zip_ACC图像分割_F1-score_Score!_acc.m_图像召回率
09-23
它综合考虑了 precision（精确率）和 recall（召回率）。精确率是正确预测为正类的比例，而召回率则是所有实际正类中被正确识别的比例。F1-score是这两者的调和平均值，当两者平衡时，F1-score达到最大值1，表明模型...
Python 计算混淆矩阵
05-31
接下来，我们谈谈F1值（F1 Score），它是精确率（Precision）和召回率（Recall）的调和平均数，综合考虑了模型的准确性和完整性。精确率是真正例占所有预测为正例的比例，召回率是真正例占所有实际正例的比例。F1值...
机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器
12-21
通过混淆矩阵，我们可以全面了解分类器的性能，包括精确度（Accuracy）、召回率（Recall，同查全率）和F1分数。 F1-Score是查准率和查全率的调和平均数，用于综合考虑两者，尤其是当正负样本不平衡时，F1-Score能更...
confusion_混淆矩阵、pytorch、模型_混淆矩阵pytorch_混淆矩阵_
10-04
混淆矩阵提供了关于模型性能的丰富信息，如精确度（Precision）、召回率（Recall）、F1分数（F1 Score）和准确率（Accuracy）等指标。例如，精确度是TP除以TP和FP之和，衡量的是所有预测为正类的结果中，有多少是...
多分类评估指标计算
WGS.
10-28 2527
多分类评估指标计算、代码
分类指标之p值，r值，F1值，微平均和宏平均
ltochange的博客
07-05 2587
假设有12个样本可被分为A，B, C 三个类别，某个分类器的结果如下： 真实 预测 A B A A A A A C B B B B B A B C C C C C C A C C P值 精确率, 每个类别都有自己的P值 预测为A类的样本中，实际是A类的样本占比: PA=24=12P_{A}=\frac 2 4=\frac 1 2PA​=42​=21​ 预测为B类的样本中，实际是B类的样本占比: PB=23P_{B}=\frac 2 3PB​=3
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 9588
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：
混淆矩阵中的宏平均/微平均/权值平均的含义
walkkx的博客
08-20 808
micro avg的中文名称为微平均，是对数据集中的每一个示例不分类别进行统计建立全局混淆矩阵，然后计算相应的指标。在机器学习和深度学习模型评估结果中，我们经常会遇到micro avg、macro avg和weighted avg。本文将会介绍这三种模型评估指标的计算方式以及它们之间的区别。对于类别B，它的TP=1， FP=1；其中TP为被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的样本数，FP为被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的样本数。
机器学习基础学习笔记（九）机器学习模型的评价指标-准确率、精确率、召回率和F值
exsolar_521的博客
07-21 1206
以下内容均为https//nndl.github.io/nndl-book.pdf的学习笔记。 为了衡量一个机器学习模型的好坏，需要给定一个测试集，用模型对测试集中的每一个样本进行预测，并根据预测结果计算评价分数． 对于分类问题，常见的评价标准有准确率、精确率、召回率和F值等．给定测试集???? = {(????(1), ????(1)), ⋯ , (????(????), ????(????))}，假设标签????(????) ∈ {1, ⋯ , ????}，用学习好的模型????(????; ????∗
【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.
精确度/召回率/F1值/Micro-F1和Macro-F1的理解
黄佳俊的博客
12-02 6134
如下图所示，假设有若干张图片，其中12张是狗的图片其余是猫的图片．现在利用程序去识别狗的图片，结果在识别出的8张图片中有5张是狗的图片，3张是猫的图片（属于误报）． 图中，实心小圆代表狗的图片，虚心小圆代表猫的图片，圆形区域代表识别结果． 则该程序的精度precision＝5/8，召回率recall＝5/12。 当一个搜索引擎返回30个页面时，只有20页是相关的，而没有返回40个额外的相关页面，其精确度为20/30 = 2/3，而其召回率为20/60 = 1/3。在这种情况下，精确度是“搜索结果有多
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 5492
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
什么是准确率、召回率、精确率和 F1 值？
最新发布
05-24
准确率、召回率、精确率和 F1 值是评估分类模型性能的常用指标。它们的定义如下： 1. 准确率（Accuracy）：指分类正确的样本数占总样本数的比例，即 TP+TN/(TP+FP+FN+TN)。 2. 召回率（Recall）：指分类正确的正样本数占所有正样本数的比例，即 TP/(TP+FN)。 3. 精确率（Precision）：指分类正确的正样本数占所有被分类为正样本的样本数的比例，即 TP/(TP+FP)。 4. F1 值：综合考虑了精确率和召回率，是精确率和召回率的调和平均数，即 2*Precision*Recall/(Precision+Recall)。 其中，TP 表示分类为正样本且实际为正样本的样本数，FP 表示分类为正样本但实际为负样本的样本数，FN 表示分类为负样本但实际为正样本的样本数，TN 表示分类为负样本且实际为负样本的样本数。
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