[分类问题的评估指标] Macro-F1和Micro-F1

最新推荐文章于 2024-05-27 17:26:56 发布
最新推荐文章于 2024-05-27 17:26:56 发布
阅读量1w 收藏 11
点赞数 1
分类专栏： 机器学习 文章标签： 评估指标 Macro_F1 Micro_F1
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_34807908/article/details/86514433
版权

分类问题的评估指标

在利用K_means 、LR、SVM 分类，评估Embedding 结果的好坏时，遇到如下代码： 不理解当中 micro_f1，macro_f1的含义，开此篇学习记录。 
    def classification(x, y, method='XGBoost'):
        x_train, x_valid, y_train, y_valid = train_test_split
最低0.47元/天 解锁文章
Britesun
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
分类问题的评估指标
Leoch007的博客
06-13 1136
作者版权：林子 Leoch007 欢迎转载，注明出处 分类的评估指标有很多，这里考虑如下几个：Precision，Recall，F1，macro-F1，micro-F1 预测/真实 1 0 1 TP FP 0 FN TN Positive/Negative 表示预测的正负 True/False 表示预测是否正确 P...
Micro-F1 与 Macro-F1
weixin_44676142的博客
11-05 1987
1. Precision和Recall的计算 名称 含义 TP(True Positive) 真阳性：预测为正，实际为正 FP(False Positive) 假阳性：预测为正，实际为负 TN(True Negative) 真阴性：预测为负，实际为负 FN(False Negative) 假阴性：预测为负，实际为正 （1）Precision（精确率）：被认为正的样本中，实际上有多少是正的。 Precision=TPTP+FP.{\rm Precision}=\frac {\r
micro f1 和macro f1的异同
最新发布
人工智能曾小健
05-27 519
权重分配不同:micro f1对所有样本赋予相同权重,macro f1对每个类别赋予相同权重。应用场景不同:micro f1适用于类别数量差异不大的情况,macro f1更适用于不平衡数据集。数值大小不同:macro f1通常比micro f1大,因为它不受大类别的主导影响。此外,还有一种weighted f1,它根据每个类别的样本数量进行加权平均。在类别分布极度不平衡时,可以考虑使用weighted f1。
【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 8711
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
#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 5万+
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。.
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
使用keras实现Precise, Recall, F1-socre方式
09-16
在分类问题中，我们通常会使用一系列评价指标来衡量模型的准确性，其中精确率（Precision）、召回率（Recall）和F1分数（F1-score）是非常重要的三个指标。Keras是一个高级神经网络API，它允许用户方便地构建和训练...
多标签分类问题multi-label recognition
08-31
在学习多标签分类时，了解不同的评估指标也很关键，如Micro F1、Macro F1、Hamming Loss、Jaccard Similarity等。这些指标可以帮助我们衡量模型在处理多标签数据时的表现。 针对初学者，有许多开源库和框架可以帮助...
sklearn中多分类问题各指标的计算
01-07
​ f1-score 其具体的计算方式: accuracy_score 只有一种计算方式,就是对所有的预测结果 判对的个数/总数 sklearn具有多种的计算方式,其中每一种模式的说明如下: 具有不同的模式 ‘micro’, ‘macro’, ‘weighted...
cpp-ExtremeText是FastText库的扩展用于多标签分类
08-16
6. **评估指标**：cpp-ExtremeText支持多种评估指标，这些指标适合多标签分类任务，如Micro/Macro F1分数、Jaccard相似度等。 7. **可扩展性**：cpp-ExtremeText作为一个C++实现的库，具备良好的可扩展性和跨平台...
Micro-F1和Macro-F1详解
qq_43391414的博客
08-07 3797
请先知道什么叫做准确率P和召回率R。 文章目录例子micro-F1macro-F10类别1类别代码检查 例子 micro-F1 解释： 答对了4个，答错了了1个。 macro-F1 这个更加复杂，需要分类别讨论F1值，然后取平均值。 0类别 解释： 只考虑0类别，其答对了3个，但是多打了一个0。 1类别 解释： 只考虑1类别，其只答了一次，但是答对了，漏答了一次。 代码检查 ...
机器学习指标2 micro f1和macro f1
人工智能曾小健
05-21 1030
Micro F1更关注整体性能，适用于类别分布相对平衡的情况。Macro F1更关注每个类别的性能，适用于类别分布不平衡的情况，或者当需要评估每个类别的性能时。在实际应用中，根据具体问题和业务需求选择合适的 F1 分数计算方法是很重要的。
分类评价指标 F值 详解 | Micro F1 & Macro F1 & Weight F1
我是菜鸡
05-25 8450
之前写一个作业样本不均衡问题。然后查了很多文章都说要更换评价指标，不能再使用准确率了，要计算F值。我看了一下F值怎么计算，看了挺多文章的，但是感觉说的比较迷惑，或者说法比较拗口。最后还是自己再总结一个。 查准率、查全率、F值 我们平时对于一个模型预测的准不准，我们最先想到的是用准确率(Accuracy)进行评价。 A=truetotal A = \frac{true}{total} A=totaltrue​ 这个虽然常用，但不能满足所有任务的需求。 所以我们可以引入查准率和查全率。 查准率(Preci.
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。  
micro-F1和macro-F1评价指标的理解
郝同学的博客
10-24 4343
实际场景下我们究竟该如何选择micro-F1、macro-F1 or Weighted-F1？
机器学习学习笔记（4）——macro-F1与micro-F1
LiQZ的博客
12-30 3114
本文以我自己的实验数据来作为样例说明何为macro F1与micro F1 目录1 前置知识2 macro-F1与micro-F12.1 使用场景2.2 计算方法3 总结4 参考 1 前置知识 关于F1 score的内容如果还不清楚的朋友，可以参考我的上一篇博客：《机器学习学习笔记（1）——错误率、精度、准确率、召回率、F1度量》 这里就只简单的提一下核心的混淆矩阵与公式： F1 score的公式： F1=2PRP+RF1 = \frac{2 P R}{P + R}F1=P+R2PR​ 其中：PPP是.
【知识积累】准确率，精确率，召回率，F1值
GW_Krystal的博客
09-04 396
准确率，精确率，召回率，F1值的简单易懂的介绍；多分类的情况；宏观和围观的情况。
R语言中的多类别问题的绩效衡量：F1-score 和广义AUC
拓端研究室TRL
12-19 736
对于多类别问题。对于硬分类器，您可以使用（加权）准确性以及微观或宏观平均F1分数。对于软分类器，您可以确定全精度召回曲线，也可以使用Hand and Till中的AUC。
【评价指标】详解F1-score与多分类MacroF1&MicroF1
忽逢桃林的博客
07-22 7943
基本概念 首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN TP:true positive。预测是正确的正样本 FP:false positive。预测是错误的正样本 TN：true negative。预测是正确的负样本 FP:false positive。预测是错误的负样本 通常我们会做出这样的一个混淆矩阵： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rc8E9gBl-1595353574343)(http:/
评估分类模型召回率和f1-score的代码
05-15
以下是评估分类模型召回率和f1-score的代码： ```python from sklearn.metrics import recall_score, f1_score # 假设 y_true 是真实标签，y_pred 是模型预测标签 # 计算召回率 recall = recall_score(y_true, y_...
评论 1
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