什么是micro-F1和macro-F1 (顺便谈谈精准率与召回率)

最新推荐文章于 2022-10-24 22:57:23 发布

LBWNB、

最新推荐文章于 2022-10-24 22:57:23 发布

阅读量1k

点赞数

本文链接：https://blog.csdn.net/qq_38356492/article/details/113644130

版权

什么是micro-F1和macro-F1 (顺便谈谈精准率与召回率)

TP: true positive, 预测和实际相同；（预测和真实都是A）
FP: false positive, 预测为正，实际为负；（预测是A，真实不是A）
FN: false negative, 预测为负，实际为正；(真实是A，但没有预测成A)
例如：

预测	真实
A	A
A	A
B	A
C	A
B	B
B	B
C	B
B	C
C	C

可知对于A、B、C类，有：

	TP	FP	FN
A	2	0	2
B	2	2	1
C	1	2	1

$精准率P=\frac{TP}{TP+FP}$

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

LBWNB、

关注关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
什么是micro-F1和macro-F1 (顺便谈谈精准率与召回率)

什么是micro-F1和macro-F1 (顺便谈谈精准率与召回率)TP: true positive, 预测和实际相同；（预测和真实都是A）FP: false positive, 预测为正，实际为负；（预测是A，真实不是A）FN: false negative, 预测为负，实际为正；(真实是A，但没有预测成A)例如：预测真实AAAABACABBBBCBBCCC可知对于A、B、C类，有：TPF
复制链接

扫一扫

Macro F1 and Macro F1.pdf

04-26

Macro F1 and Macro F1是2019年的一篇关于两种宏观F1-score的计算方式的详细讲解。

使用keras实现Precise, Recall, F1-socre方式

09-16

在多分类任务中，我们还可以计算Micro-F1和Macro-F1。Micro-F1是所有类别的TP、FP和FN求和后计算的F1分数，它更关注整体表现。而Macro-F1则是对每个类分别计算F1分数后再取平均值，它能更好地反映各类别的性能。 ...

参与评论您还未登录，请先登录后发表或查看评论

【NLP】micro F1与macro F1区别

zkq_1986的博客

08-28

1634

micro F1是，通过计算所有分类的准确率P、召回率R，再得出总的F1。 macro F1是，通过计算所有分类的F1，再通过简单平均，得到总的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

8675

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

机器学习学习笔记（4）——macro-F1与micro-F1

LiQZ的博客

12-30

3026

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.

精确度/召回率/F1值/Micro-F1和Macro-F1的理解

黄佳俊的博客

12-02

6113

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

#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。.

app-compile-macro-micro-tract-stats

04-23

应用程序编译宏微区统计信息

XILINX-7SERIES-BARM-TDP-MACRO

07-10

XILINX-7SERIES-BARM-TDP-MACRO

react-hot-reload.macro:使用Babel宏进行零配置热模块更换

03-18

react-hot-reload.macro弃用说明：没什么，只需要删除process.env.NODE_ENV === 'production'上的包装器即可。我建议使用@NoamELB的零配置 :fire:热模块更换 :fire:使用和，主要用于Create React App（v2 +）用户...

micro-F1和macro-F1评价指标的理解

郝同学的博客

10-24

4272

实际场景下我们究竟该如何选择micro-F1、macro-F1 or Weighted-F1？

准确率、精准率、召回率

qq_44186052的博客

03-22

2718

参考：准确率、精确率、召回率 - 知乎以一个二分类系统来讲，通常情况下我们会将数据分为两类：正确（T），错误（F） ,但是在我们实际操作的运行模型的结果中会出现四种不同的分类结果 P(positive)N(Nagitive) (声明：这里所用的符号标记与所引用的链接有所不同) TP：本身是正类，结果划分是正类 TN：本身是正类，结果划分为负类 FP：本身是负类，结果划分为正类 FN: 本身是负类，结果划分为负类 1.准确率：所有正确的分类的比重 Accuracy=（TP+FN）/（TP

机器学习和深度学习分类问题的几个指标:准确率、精准率、召回率、F1-score、Macro-F1、Micro-F1

奥古斯都

03-01

4517

目录 1、Accuracy——准确率 2、Precision——精准率 3、Recall——召回率 4、进一步探索召回率和准确率 5、F1-Score 6、Micro-F1和Macro-F1 在说这个几个指标之前有一个非常重要的东西叫做混淆矩阵：我们把上述提到的这个表格称作为混淆矩阵，那么一般使用混淆矩阵干嘛呢？计算召回率、计算准确率、计算精准率。接下来分别介绍这三个指标。 TP：实际是正样本预测也是正样本；TN：预测是负样本实际也是负样本；FN：实际上是正要根本预测为负样本；FP.

sklearn中 F1-micro 与 F1-macro区别和计算原理

lyb3b3b的专栏

12-05

3万+

二分类使用Accuracy和F1-score，多分类使用宏F1和微F1。最近在使用sklearn做分类时候，用到metrics中的评价函数，其中有一个非常重要的评价函数是F1值，在sklearn中的计算F1的函数为 f1_score ，其中有一个参数average用来控制F1的计算方式，今天我们就说说当参数取micro和macro时候的区别 1、查准率，查全率，F1值: 对...

分类评价指标 F值详解 | Micro F1 & Macro F1 & Weight F1

我是菜鸡

05-25

8209

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。

F1 micro macro 区别和详解

weixin_48185819的博客

08-24

1万+

micro-F1和macro-F1详解摘要 micro-F1： macro-F1： weighted-F1 调参摘要 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。在多分类问题中，如果要计算模型的F1-score，则有两种计算方式，分别为micro-F1和macro-F1，这两种计算方式在二分类中与.

（原创）sklearn中 F1-micro 与 F1-macro区别和计算原理

weixin_30802273的博客

04-27

497

最近在使用sklearn做分类时候，用到metrics中的评价函数，其中有一个非常重要的评价函数是F1值，（关于这个值的原理自行google或者百度）在sklearn中的计算F1的函数为 f1_score ，其中有一个参数average用来控制F1的计算方式，今天我们就说说当参数取micro和macro时候的区别 1、F1公式描述: 　　F1-s...

Pygments-1.2-py2.6.egg

“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