宏查全率？宏查准率？宏F1？（详细解释，通俗易懂）

已于 2024-06-09 00:25:47 修改
阅读量307 收藏 3
点赞数 12
分类专栏： 人工智能与机器学习 文章标签： 人工智能
于 2024-06-08 23:07:34 首次发布
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_64411728/article/details/139550832
版权

        在之前的文章中我们分享了查全率，查准率和F1度量的概念，这次咱来分享一下什么是宏查全率，宏查准率，宏F1(其实区别不大哦，就是解决的问题有点区别)

        假如我现在有一个问题，我要实现多分类，那我该如何实现呢？这里其实有两个思路，一种是我就直接分类呗，交给计算机，用机器学习，让它去干。第二种就是把多分类问题转化为多个二分类问题，然后再去让计算机实现，我们今天所说的内容就是跟第二种思路有关，这样说有点抽象，我们来举个例子说明一下。

        假如说我现在有100张照片，照片的内容是数字1到10，我现在想分成10个类，然后让计算机去识别分类，那我可以有下图的选择

        我们今天不讨论直接分类，我们看一下化为10个二分类问题是如何实现的，假如说第一个类里面放照片内容是1的照片，那我就去识别这100张照片，分为1和不是1，这就是一个二分类，以此类推，一共进行十次这样的操作，综合起来就完成了一个多分类问题。那现在有一个问题，我这个多分类问题的查全率，查准率，F1该如何计算？我们是不是得有方法去计算出来，看下图

我们有两种处理方式：（1）先计算再求平均值；（2）先平均再计算

        先说第一种：（1）先计算再求平均值。

先计算的意思就是：求出每一个二分类的查全率和查准率，然后再求一个均值。

计算的公式如下：

macro-P=\frac{1}{n}\sum _{i=1}^{n}P_{i}

macro-R=\frac{1}{n}\sum _{i=1}^{n}R_{i}

macro-F_{1}=\frac{2\times macro-P\times macro-R}{ macro-P+ macro-R}

这就是所谓的宏查准率，宏查全率，宏F1，不难叭~

        再说第二种：（2）先平均再计算。

先平均的意思是：如上图所示，我们把每一个二分类中的TP，FP，FN，TN分别相加再求一个平均值，然后再计算查全率，查准率，F1，公式如下：

micro-P=\frac{\bar{TP}}{\bar{TP}+\bar{FP}}

micro-R=\frac{\bar{TP}}{\bar{TP}+\bar{FN}}

micro-F_{1}=\frac{2\times micro-P\times micro-R}{ micro-P+ micro-R}

这个叫微查准率，微查全率，微F1，名字而已，只是处理方式不一样~

        这样我就求出了多分类问题的查全率，查准率和F1嘞~

ok，这篇就分享到这里嘞~欢迎小伙伴们批评指正~（图片知识来源于西瓜书）

梦云澜
关注
  • 12
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
宏精准率 召回率 F1
qq_44241881的博客
09-22 836
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，
分类评价指标 F值 详解 | Micro F1 & Macro F1 & Weight F1
我是菜鸡
05-25 8468
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.
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 3089
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...
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
心电图心跳信号多分类预测（一）
疯子书生的博客
03-15 4199
目录1.赛题理解1.1赛题概况1.2数据概况1.3代码示例1.3.1数据读取1.3.2分类指标计算示例2.baseline2.1 导入第三方包2.2 读取数据2.3.数据预处理2.4.训练数据/测试数据准备2.5.模型训练2.6.预测结果 1.赛题理解 Tip:心电图心跳信号多分类预测挑战赛。 2016年6月，国务院办公厅印发《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》,文件指出健康医疗大数据应用发展将带来健康医疗模式的深刻变化，有利于提升健康医疗服务效率和质量。 赛题以心电图数据为背景，
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/...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
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
本文将深入探讨几个关键概念：查准率（Precision）、查全率（Recall）、ROC曲线、混淆矩阵以及F1-Score，这些都是衡量分类器效能的重要指标。 查准率和查全率是评价二分类问题中模型性能的两个基本指标。查准率...
JS事件循环机制event loop宏任务微任务原理解析
10-14
在JavaScript中，异步任务进一步细分为宏任务（Macro-task）和微任务（Micro-task）。宏任务包括整体脚本、setTimeout、setInterval等，它们会在事件循环的每个阶段执行。而微任务，如Promise、process.nextTick，会...
Excel-VBA宏编程实例源代码-转置复制单元格区域.zip
03-18
以下是对这个知识点的详细讲解： 1. **VBA宏基础**： - VBA是Microsoft Office套件内嵌的一种编程语言，允许用户编写自定义函数、过程和自动化任务。 - 宏是在VBA环境中创建的一系列命令，通过录制或手动编写代码...
【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 8716
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
micro-F1和macro-F1评价指标的理解
郝同学的博客
10-24 4353
实际场景下我们究竟该如何选择micro-F1、macro-F1 or Weighted-F1？
【机器学习笔记】 模型评估：查准率、查全率和F1
Horizonhui
07-09 1872
前言 错误率与精度经常用来衡量一个模型的好坏，但这两项指标并不能满足所有的需求。以西瓜书中的例子来说，农夫拉来一车西瓜，错误率可以衡量出有多少比例的瓜被判别错误，而我们关心的是好瓜，或说好瓜中有多少比例被判别为了好瓜，此时仅仅是错误率这一个指标就不够用了。 混淆矩阵 对于二分类问题，可以根据样本的真实类别与学习器预测样本的类别组合，划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false...
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...
微平均micro-F1,宏平均macro-F2计算方法
liuweizj12的博客
07-09 5941
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...
分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
热门推荐
THEAQING
05-10 12万+
四个基本概念 TP、True Positive 真阳性：预测为正，实际也为正 FP、False Positive 假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True Negative 真阴性：预测为负、实际也为负。 【一致判真假，预测判阴阳。】 以分类问题为例：（word公式为什么粘不过来？？头疼。）...
F1 score,micro F1score,macro F1score 的定义
慢慢变强大
09-28 6162
本篇博客可能会继续更新 最近在文献中经常看到precesion,recall，常常忘记了他们的定义，在加上今天又看到评价多标签分类任务性能的度量方法micro F1score和macro F2score。决定再把F1 score一并加进来把定义写清楚，忘记了再来看看。 F1score F1score(以下简称F1)是用来评价二元分类器的度量，它的计算方法如下： F1  ...
map(macro average precision) 与 F1score
zjm750617105的专栏
08-09 4872
之前写过关于准确率和召回率： http://blog.csdn.net/zjm750617105/article/details/54914184map， macro average precision， 宏平均准确率：其实就是 各个类别的准确率的平均值， 每个类别的准确率计算参考上面的链接。具体例子： [[ 7 28 0 0 0 0 0 93] [ 5 28
谈谈评价指标中的宏平均和微平均
weixin_34218579的博客
03-14 883
谈谈评价指标中的宏平均和微平均 　　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）...
查全率查准率和F1得分的含义
最新发布
04-22
查全率（recall）、查准率（precision）和F1得分是评估分类模型性能的常用指标。其中： - 查全率（recall）：表示分类器正确识别出的正例样本数占所有正例样本数的比例。计算公式为：TP / (TP + FN)。 - 查准率（precision）：表示分类器正确识别出的正例样本数占所有被分类器识别为正例的样本数的比例。计算公式为：TP / (TP + FP)。 - F1得分：是查全率和查准率的综合指标，用以平衡分类器的查准率和查全率。F1得分越高，分类器的性能越好。计算公式为：2 * (precision * recall) / (precision + recall)。 其中，TP表示真正例数、FP表示假正例数、FN表示假负例数。
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

打赏作者

梦云澜

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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