混淆矩阵、宏查准率、宏查全率、微查准率、微查全率

最新推荐文章于 2024-06-08 23:07:34 发布
最新推荐文章于 2024-06-08 23:07:34 发布
阅读量1.3k 收藏
点赞数
分类专栏： 笔记
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_42037273/article/details/115314628
版权
本文探讨了在评估算法性能时，如何通过计算精度p和召回率r的宏观平均值（宏p、宏r）和微观平均值（微p、微r），以及如何从混淆矩阵中获取这些指标。方法包括处理多个混淆矩阵并取平均，以及基于每个单元格元素的平均来确定TP、FP、TN、FN。
摘要由CSDN通过智能技术生成

[抠鼻]综合考察精度p跟召回率r，可以求指标的宏值与微值。宏值：多次测试得到的多个confusion matrix，求出每个混淆矩阵cm的p与r，取平均得到宏p、宏r以及宏F1值。微值：取每个cm上对应元素的平均，得到平均tp，fp，tn，fn，基于这些值得到微p、微r、以及微f1。
在这里插入图片描述

REALLYAI
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习中的混淆矩阵
pydby01的博客
12-31 2657
在我们的机器学习教程（前面的章节Python和NumPy的神经网络和神经网络从头开始），我们实现的各种算法，但是我们没有正确地测量输出的质量。主要原因是我们使用非常简单的小数据集来学习和测试。在Neural Network: Testing with MNIST一章中，我们将使用大型数据集和 10 个类，因此我们需要适当的评估工具。本章我们将介绍混淆矩阵的概念： 甲混淆矩阵是可用于测量机器学习算法的性能的矩阵（表），通常是一个监督学习一个。混淆矩阵的每一行代表一个实际类的实例，每一列代表一个预测类的实..
混淆矩阵的概念混淆矩阵的概念混淆矩阵的概念混淆矩阵的概念.txt
05-03
正确率（也称查准率）衡量在所有被分类器预测为正例的样本中，实际上为正例的比例。这是一个针对特定类别的指标，计算公式为： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] ##### 2.3 召回...
混淆矩阵中的宏平均/微平均/权值平均的含义
walkkx的博客
08-20 835
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
机器学习：基础概念查准率、查全率F1-Score、ROC、混淆矩阵机器学习实战：分类器性能考核方法：使用交叉验证测量精度性能考核方法：混淆矩阵精度和召回率ROC曲线训练一个随机森林分类器，并计算ROC和ROC AUC分数 查准率、查全率 对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例TP、假正例FP、真反例TN、假反例FN四种，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数，分类结果的“混淆矩阵”为： 查准率P： p=TPTP+FP p=\frac{TP}{TP+FP} p=TP+FPTP​ 查全率R： R=TPTP+FN
宏查全率？宏查准率？宏F1？（详细解释，通俗易懂）
最新发布
qq_64411728的博客
06-08 321
详细解释了一下宏查全率，宏查准率，宏F1，通俗易懂，刚学人工智能的小伙伴们可放心食用~
查准率、查全率、混淆矩阵python代码
kaidikake的博客
04-25 3144
针对celeb数据集发现数据样本及其不均衡导致结果全部预测为样本多的数据 为此记录下其他的指标学习 更详细内容请查看余霆嵩pytorch教程 前言： 先看一个经典的例子： 目的：设计一个分类器类分类患者的肿瘤是不是良性的 数据集：我们有10000个样本，其中9995个是良性的，只有5个人是恶性的。 如果我们只关注预测的错误率的，我们可以设计模型无论什么样本输入，全部输出良性。此时的准确率是99.9...
宏精准率 召回率 F1
qq_44241881的博客
09-22 846
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，
机器学习分类模型评价指标之混淆矩阵
博观约取，厚积薄发
11-18 3605
在机器学习领域，特别是在统计分类的问题中，混淆矩阵，也被称为 错误矩阵，是一种独特的表排列，可以可视化一个算法的性能，通常是监督学习(在非监督学习中，它通常被称为 匹配矩阵)。矩阵的每一行代表一个实际类中的实例，而每一列代表一个预测类中的实例，-这两种变体都可以在文献[11]中找到。这个名字源于这样一个事实，即它很容易看出系统是否混淆了两个类(即通常将一个类错误标记为另一个类)。看来行是真实或者预测都是可以的。
confusion_matrix1.zip_confusion_matrix1_matlab混淆矩阵_混淆矩阵_混淆矩阵matl
07-15
4. 可以进一步计算出精确度（Accuracy）、查准率（Precision）、查全率（Recall）或F1分数，并用这些指标评估模型的性能。 5. 为了可视化混淆矩阵，可以使用MATLAB的绘图功能，如`imagesc`或自定义图形函数，将矩阵...
基于BP神经网络的手写数字识别算法matlab仿真,最后对识别率通过混淆矩阵进行评价-源码
10-01
混淆矩阵通常包括真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN），通过这些指标可以计算出精确率、召回率、F1分数以及查准率和查全率等重要评价指标。 在本项目中，识别率的评估是通过混淆矩阵完成的。...
深入理解Precision（查准率）、Recall（查全率/召回率)、F1-Score、P-R曲线和micro和macro方法，以及多分类问题P-R曲线
谦卑
08-11 3859
深入理解Precision（查准率）、Recall（查全率/召回率)、F1-Score、P-R曲线和micro和macro方法，以及多分类问题P-R曲线 1.回归问题 回归问题最常用的性能度量是“均方误差”(mean squared error)。 给定D = {(x1, y1), (x2, y2),……,(xm, ym)}，其中yi是示例xi的真实标记；要评估学习器f的性能，要把学习器预测结果和f(x)与真实标记y比较： E(f;D)=1m∑n=1m(f(xi)−yi)2 E(f;D)
ML分类模型的评估量 —— 混淆矩阵、查准率、查全率、正确率、F1值
MammothKan的博客
02-28 2203
ML分类模型的评估量 —— 混淆矩阵、查准率、查全率、正确率、F1值
机器学习模型性能度量详解 【Python机器学习系列（十六）】
侯小啾技术博客
09-25 3112
机器学习模型性能度量 【Python机器学习系列（十六）】1. 错误率 与 精度2. 查准率 查全率 与 F12.1 TP、FP、FN、 TN2.2 查准率 与 查全率 2.3 P-R 图 与 平衡点2.4 F1 2.5 宏查准率 & 宏查全率 & 宏F1 2.6 微查准率 & 微查全率 & 微F13. ROC与AUC4. python计算ROC,AUC4.1 二分类情形4.2 多分类情形与macro-AUC roc_auc_score() auc() roc_curve...
模型评估与选择
踏归 的博客
08-12 652
机器学习性能度量指标
机器学习之性能度量指标
answer3lin的博客
12-06 6060
机器学习的模型性能度量指标 在机器学习中，衡量，评估和选择一个模型好坏是通过一些常见指标实现的，称之为性能指标(Metrics)。 对于一个二分类问题，我们首先给出如下基本指标基于这些指标可以推导出其他指标： ：True Positive(真正, TP)，即模型预测为正的正样本个数（将正类预测为正类数） ：False Positive(假正, FP)，即模型预测为正的负样本个数（本来是负样...
机器学习常用的评估指标（持续更新）
weixin_43999137的博客
09-20 2632
机器学习常用的评估指标分类算法常见的评估指标1、混淆矩阵（Confuse Matrix）2、准确率（Accuracy）3、精确率（Precision）4、召回率（Recall）5、F1 Score6、P-R曲线（Precision-Recall Curve）7、ROC（Receiver Operating Characteristic）金融风控预测类常见的评估指标1、KS(Kolmogorov-Smirnov)2、ROC3、AUC 分类算法常见的评估指标 1、混淆矩阵（Confuse Matrix） （1
【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 8741
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
用matlab编程给定测试集，计算混淆矩阵、查准率、查全率和FPR
05-30
好的，以下是一个用Matlab编写的计算混淆矩阵、查准率、查全率和FPR的示例代码： ```matlab % 假设预测结果保存在predicted_labels中，真实标签保存在true_labels中 % predicted_labels和true_labels的大小应该相同 num_classes = max(true_labels); % 类别数 confusion_matrix = zeros(num_classes, num_classes); % 初始化混淆矩阵 for i = 1:length(true_labels) confusion_matrix(true_labels(i), predicted_labels(i)) = confusion_matrix(true_labels(i), predicted_labels(i)) + 1; end % 计算查准率、查全率和FPR precision = zeros(num_classes, 1); recall = zeros(num_classes, 1); fpr = zeros(num_classes, 1); for i = 1:num_classes tp = confusion_matrix(i, i); fp = sum(confusion_matrix(:, i)) - tp; fn = sum(confusion_matrix(i, :)) - tp; tn = sum(confusion_matrix(:)) - tp - fp - fn; precision(i) = tp / (tp + fp); recall(i) = tp / (tp + fn); fpr(i) = fp / (fp + tn); end ``` 这个代码会输出混淆矩阵、查准率、查全率和FPR。你只需要将预测结果和真实标签传递给代码中的`predicted_labels`和`true_labels`变量即可。
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