(笔记)宏平均和微平均

最新推荐文章于 2022-08-03 15:04:38 发布
最新推荐文章于 2022-08-03 15:04:38 发布
阅读量2.1k 收藏 28
点赞数 3
分类专栏： python 文章标签： python 机器学习
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_42008588/article/details/116245323
版权
本文介绍了宏平均和微平均在多分类问题中的应用和区别。宏平均在每个类别上计算指标后再取平均，适用于关注少数类的情况；微平均则考虑总体表现，适用于样本量差距不大的情况。在类别不平衡时，宏平均更能体现模型对少数类的识别能力。
摘要由CSDN通过智能技术生成

目录

应用场景：多分类

计算公式：

例子：

例（1）

宏平均：

微平均：

例（2）：

宏平均：

微平均：

例（3）：

区别+更详细的应用场景：

结论：

 

应用场景：多分类

计算公式：

（转自：谈谈评价指标中的宏平均和微平均_chenpe32cp的博客-CSDN博客）

 

两句话就是：

宏平均先在每个类别上计算P、R、F值，再取平均，我猜它之所以叫宏平均就是因为它用到了÷n；（自己的猜测，帮助理解）

微平均看总体的P、R，然后计算F；

例子：

例（1）

（链接：多类分类(Multi-label classification)性能评价之宏平均(macro-average)与微平均(

最低0.47元/天 解锁文章
「已注销」
关注
专栏目录
【机器学习-模型评价指标】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
Joyeishappy的博客
08-11 1万+
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：（表格） 0 precision recall f1-score support 0 0.99 0.99 0.99 155 1 0.90 0.82 0.86 11 accuracy
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
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 7093
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
评价指标中的宏平均和微平均
qq_34126716的博客
09-21 8751
评价指标中的宏平均和微平均什么是召回率、准确率和F值？ 要理解宏平均和微平均，首先需要掌握召回率（R）、准确率（F）和F值。 什么是召回率、准确率和F值？ 对于二分类问题，可以将样例根据其真实类别和分类器类别划分为： 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。 假负例（False Negative，FN）：真实类别为正
关于宏平均（Macro-averaging）和微平均（Micro-averaging）
chenpe32cp的博客
10-12 1万+
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...
【分类模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
热门推荐
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)
宏转录组学习笔记.pdf
08-04
本学习笔记将详细介绍宏转录组学的基本概念、研究方法以及在微生物组研究中的应用。 首先，16S rRNA是宏转录组学研究中最为重要的分子之一，因为它广泛存在于细菌和古菌的细胞中，且具有高度保守和可变区域。利用...
学习笔记3（excel和word技巧总结）
09-01
1. **公式与函数**：Excel的核心功能之一就是计算，如SUM、AVERAGE、MAX和MIN等基本函数，可以方便地进行数据求和、平均值、最大值和最小值的计算。更高级的有VLOOKUP和HLOOKUP用于查找表格数据，以及IF和COUNTIF...
c语言求三门课程的平均成绩,C语言求三个学生四门课每个学生的平均成绩和每门课的平均成绩，并存入cx.txt中...
weixin_34711401的博客
05-17 4607
C语言求三个学生四门课每个学生的平均成绩和每门课的平均成绩，并存入cx.txt中# 求平均成绩```c#includestdio.h#includestring.hvoid input(float score[][4]){int i,j;printf("请输入3个学生四门课的成绩\n");for(i=0;i3;i++)for(j=0;j4;j++)scanf("%f",score[i][j]);}...
算法学习笔记.pdf
06-22
在本篇算法学习笔记中，对一系列重要且常用的算法进行了整理和总结，以下是对文档内容中提及的知识点的详细解读。 一、快速排序算法 快速排序是一种高效的排序算法，采用分治法策略，它的时间复杂度平均为O(nlogn)...
【机器学习】多分类任务的性能评价——宏平均和微平均
ccszbd的博客
05-24 1万+
很多时候我们有多个二分类混淆矩阵，例如进行多次训练/测试，每次得到一个混淆矩阵；或是在多个数据集上进行训练/测试，希望估计算法的“全局”性能；甚或是执行多分类任务，每两两类别的组合都对应一个混淆矩阵。总之，我们希望在n个二分类混淆矩阵上综合考察查准率和查全率。 二分类的分类结果混淆矩阵 真实情况/预测结果 正例 反例 正例 TP（真正例） FN（假反例） 反例 FP（假正例） ...
宏平均（macro avg）、微平均（micro avg）、加权平均（weighted avg)、精度（precision）、召回率recall、f1score、confusion matrix
咖乐部
11-04 7517
分类任务： 宏平均：对类的平均。有两类，直接 （0.24+0.73）/2 = 0.45 微平均：对每个样本的平均。样本总数有7535+22462个 ：0.24*7535+0.73*22462 加权平均：考虑了权重的宏平均。0.24*（7535/29997）+0.73*（22462/29997） 分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）：https://blog.csdn.net/sinat_28576553/ar..
微平均micro-F1,宏平均macro-F2计算方法
liuweizj12的博客
07-09 6093
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...
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 9734
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：
一文读懂多分类的评价指标（微平均、宏平均、加权平均）
cz的博客
06-22 2681
多分类下的评价标准
微平均 宏平均 微平均(准确率、召回率、f1-score相等) 以及 TP、TN、FP、FN的理解
Lord_sh的博客
07-08 3786
一种计算方法是把所有类别的一次性都考虑进来，计算类别预测的准确率。（微平均） 另外还有一种是对每个类别分开考虑，计算单独每个类别的准确率，最后再进行算术平均得到该测试集的准确率。（宏平均） 其中微平均 recall = precise = f1-score 无论是二分类还是多分类， 因为要统计所有的类别， 所以TP为各个类别分对的数目的总和， FP= FN 为各个类别分错数目的总和，recall = precise = 正确分类 / (正确分类 + 错误分类) https://zhuanlan..
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 5551
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
机器学习--Micro Average,Macro Average, Weighted Average
yimenren的博客
12-20 1011
转载自： 机器学习--Micro Average,Macro Average, Weighted Average - 老张哈哈哈 - 博客园 (cnblogs.com)https://www.cnblogs.com/laozhanghahaha/p/12499979.html 根据前面几篇文章我们可以知道，当我们为模型泛化性能选择评估指标时，要根据问题本身以及数据集等因素来做选择．本篇博客主要是解释Micro Average，Macro Average，Weighted Average．这三者常用于多.
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