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 2023-03-20 18:15:21 发布
最新推荐文章于 2023-03-20 18:15:21 发布
阅读量1.7k 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
使用 F1 优化 ML 模型的超参数：根据不同的评估指标（准确度、召回率、精度、F1、F2、F0.5）优化 ML 模型的超参数-matlab开发
05-29
网格搜索、随机搜索和贝叶斯优化是寻找机器学习模型参数的最佳组合、交叉验证每个组合并确定哪一个提供最佳性能的流行方法。 此示例还将讨论如何根据不同的评估指标（准确度、召回率、精度、F1、F2、F0.5）微调超参数
summary_confusion:总结预测结果和实际结果的函数（准确度、召回率、精度、F1、F2、F0.5）-matlab开发
05-29
该函数将根据您的输入（实际和预测）返回结果（准确度、召回率、精度、F1、F2、F0.5）。 例如， 加载fisheriris X = 测量值； Y = 物种； Mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1); 预测Y = resubPredict(Mdl); [table_ind_result,table_ove_result] = summary_confusion(Y,predictedY);
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/(TP+FP) （正确预测鱼的信息条数/原样本中所有鱼的信息条数） 2、查准率：评价模型的正确性 查准率：某一类 预测样本中的预测正确的信息条数/预测样本中所有的信息条数 查准率P = TP/(TP+FP) 不同于正确率 正确率：所有预测正确样本除以所有预测样本 准确率 = （TP+TN）/(TP+FP+FN+TN) 3、F1分数： F1分数可以看作模型的
输入TP，TN，FP和FN，然后输出混淆矩阵和评价指标的Python代码
04-08
输入TP，TN，FP和FN，然后输出混淆矩阵的Python代码： ① 运行代码后，输入TP，TN，FP和FN（输完一个数后按回车）； 部分代码： # 输入TP，TN，FP，FN TP = int(input("请输入TP：")) TN = int(input("请输入TN：")) FP = int(input("请输入FP：")) FN = int(input("请输入FN：")) ② 输出混淆矩阵图； ③ 输出准确率、精度、召回率和F1得分。
模型评估指标micro avg、macro avg和weighted avg的计算方式及区别
热门推荐
山阴少年
04-12 2万+
  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。   我们以sklearn.metrics.classification_report的输出结果作为展示，示例模型评估结果如下：   maro avg的中文名称为宏平均，其计算方式为每个类型的P、R的算术平均，我们以F1的macro avg为例，上述输出结果中的macro avg F1值的计算方式为： macro avg F1
f1 score sklearn中 F1-micro 与 F1-macro区别和计算原理
jacke121的专栏
02-08 3748
sklearn中 F1-micro 与 F1-macro区别和计算原理
【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 1888
分类问题的评价指标
分类指标之p值，r值，F1值，微平均和宏平均
ltochange的博客
07-05 2404
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
MATLAB实现SVM支持向量机二分类预测（完整源码和数据）
01-15
MATLAB实现SVM支持向量机二分类预测（完整源码和数据） 采用留一交叉检验，评价指标包括混淆矩阵、准确率、召回率、精度、F1分数。 数据为多特征分类数据，输入多个特征，分二类。 运行环境MATLAB2018b及以上。
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 6444
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
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
关于宏平均（Macro-averaging）和微平均（Micro-averaging）
chenpe32cp的博客
10-12 9901
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...
【无标题】
Forwarding3的博客
03-17 117
在训练过程中，我们用损失函数来衡量模型的预测结果与真实标签之间的误差，进而优化模型参数。每次训练选择一个 batch 的大小，对这个 batch 中的样本计算损失函数，然后根据损失函数的导数调整模型参数向最优值移动。宏平均F1分数（macro-averaged F1 score）是计算多分类问题中模型性能的一种指标，它是所有类别的 F1 值的平均值。为了处理序列信息，使用一个双向长短时记忆网络（Bi-LSTM）来对数据进行编码，以获取每个时间步的隐状态表示。，并将两者连接起来，得到整个序列的隐状态表示。
微平均micro-F1,宏平均macro-F2计算方法
liuweizj12的博客
07-09 5647
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...
精确度/召回率/F1值/Micro-F1和Macro-F1的理解
黄佳俊的博客
12-02 6041
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
宏精准率 召回率 F1
qq_44241881的博客
09-22 764
假设一个班级有100个学生，其中男生70人，女生30人。如下图，蓝色矩形表示男生，橙色矩形表示女生。 又假设，我们不知道这些学生的性别，只知道他们的身高和体重。我们有一个程序(分类器)，这个程序可以通过分析每个学生的身高和体重，对这100个学生的性别分别进行预测。最后的预测结果为，60人为男生，40人为女生，如下图。 TP：实际为男生，预测为男生； FP：实际为女生，预测为男生； FN：实际为男生，预测为女生； TN：实际为女生，预测为女生； 准确率（Accuracy）：正确分类的样本个数占总样本个数，
【多分类指标-Macro-F1 与Micro-F1】
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
10-09 8567
转载 https://blog.csdn.net/lyb3b3b/article/details/84819931 还可参考 https://www.cnblogs.com/techengin/p/8962024.html https://zhuanlan.zhihu.com/p/64315175 https://blog.csdn.net/qq_43190189/article/details/105778058 https://blog.csdn.net/sinat_28576553/article/d
怎么在引入混淆矩阵、精度、召回率、f1-measure和kappa
最新发布
05-02
混淆矩阵、精度、召回率、f1-measure和kappa是评估分类模型准确性的关键指标，常用于机器学习和数据挖掘任务中。 混淆矩阵是一种可视化工具，用于展示分类模型的预测结果和真实结果之间的关系。混淆矩阵包含四个分类指标：真正例（true positive）、假正例（false positive）、真反例（true negative）和假反例（false negative），用于计算分类模型的准确性。 精度是指分类模型预测正确的样本数占总样本数的百分比。精度越高表示分类模型的准确性越高。但是，精度指标忽略分类错误的种类和数量，不能很好地评估分类模型的性能。 召回率是指分类模型预测正确的真正例占真实正例的百分比。召回率越高说明分类模型能够正确地捕捉到真实正例的数量，但是，召回率忽略了分类错误的种类和数量，并且容易出现过拟合情况。 f1-measure是精度和召回率的加权 harmonic mean，用于综合评价分类模型的准确性。f1-measure 越高说明分类模型的综合性能越好。 Kappa 是用来评估分类任务性能的指标。 它基于观察值和期望值，范围在-1到1之间，其中-1表示完全不一致，0表示与随机标签一致，1表示完全一致。Kappa值越高，分类模型的性能越好。 综上所述，混淆矩阵、精度、召回率、f1-measure和kappa都是评估分类模型性能的重要指标，我们需要在训练和测试分类模型时结合这些指标进行评估和调整，以获得更好的分类性能。

“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