多分类问题的precision和recall以及F1 scores的计算

ruyingcai666666

已于 2022-11-17 16:53:34 修改

阅读量4.7k

点赞数

文章标签：分类算法

于 2022-11-17 16:39:53 首次发布

本文链接：https://blog.csdn.net/ruyingcai666666/article/details/127906836

版权

在这里插入图片描述

对于多分类问题，首先，对于每一个类的精准率（Precision）和召回率（Recall），定义和二分类问题一致，但是计算上不再需要TP,FP,FN等量了：）

比如对A, B, C三类有如下混淆矩阵：

A B C
A 10 1 2
B 2 11 3
C 5 3 8
行表示真值；列表示预测值。

此时，每一类都有自己的精准率和召回率。

精准率表示正确预测X占所有预测X的比例。

所以对于A类来说，Precision(A) = 10 / (10 + 2 + 5) = 10 / 17

所以对于B类来说，Precision(B) = 11 / (1 + 11 + 3) = 11 / 15

所以对于C类来说，Precision© = 8 / (2 + 3 + 8) = 8 / 13

召回率表示正确预测X占所有真实X的比例。

所以对于A类来说，Recall(A) = 10 / (10 + 1 + 2) = 10 / 13

所以对于B类来说，Recall(B) = 11 / (2 + 11 + 3) = 11 / 16

所以对于C类来说，Recall© = 8 / (5 + 3 + 8) = 8 / 16

在这个基础上，整个算法的精准率和召回率，可以简单地使用平均值法。

即：

Precision = (Precision(A) + Precision(B) + Precision©) / 3 = 0.6457

Recall = (Recall(A) + Recall(B) + Recall©) / 3 = 0.6522

加油！：）

参考：https://coding.imooc.com/learn/questiondetail/95969.html

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

ruyingcai666666

关注关注

0
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。

专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。

05-16

7471

mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。

【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现

最新发布

彬彬侠的博客

03-15

1207

precision_score是sklearn.metrics提供的一个分类模型评估指标，用于计算精确率（Precision），适用于二分类、多分类和多标签分类任务。precision_score计算预测为正类的样本中，真正正类的比例。适用于减少误报（FalsePositive）的场景，如垃圾邮件检测、医学检测。适用于二分类、多分类任务，支持macro、micro、weighted等方式计算。不适用于极度不均衡数据（建议结合recall_score）。可能遇到除零错误，可使用zero_division=1处

【Tensorflow】多分类问题的Precision、Recall和F1计算及Tensorflow实现

bqw的博客

12-06

8412

一、二分类问题的Precision、Recall、F1 网络上关于Precision、Recall和F1的介绍有很多，因此这里只作简单回顾。在二分类问题中，根据真实类别和预测类别的组合可以分为四中情况，分别是TP(True Positive)、FP(False Positive)、TN(True Negative)、FN(False Negative)。如下图：那么Precision表示所有...

手推多分类precision(精确率)、recall(召回率)、F1分数

芒果不茫的博客

10-07

6941

按照样例手推precision、recall、F1分数，以及多分类时macro、micro、weighted的计算方法，并给出代码实现验证

多分类任务中精确率(Precision)、召回率(Recall)以及准确率(Accuracy)评估指标的计算

m0_38052500的博客

12-29

2万+

多分类中精确率和召回率的计算

多分类问题中评价指标F1-Score 加权平均权重的计算方法

weixin_51744807的博客

06-19

2867

众所周知，F1分数（F1-score）是分类问题的一个衡量指标。在分类问题中，常常将F1-score作为评价分类结果好坏的指标。它是精确率和召回率的调和平均数，值域为[0,1]。 F1=2∗P∗RP+R F_1=2*\frac{P*R}{P+R} F1=2∗P+RP∗R 其中，P代表着准确率（Precision），R代表召回率（Recall）。介绍与二分类问题有关的常见几个变量概念。 TP：实际为正类，预测为正类。 FN：实际为正类，预测为负类。 FP：实际为负类

机器学习指标(Precision、Recall、mAP、F1 Score等)

林学森的技术专栏

04-26

4925

以下文章摘录自：《机器学习观止——核心原理与实践》京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) ———————————————— 版权声明：本文为CSDN博主「林学森」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.cs.

python 对多分类logistic回归结果，利用十折交叉验证分别计算 accuracy、 auc、 recall、 precision 以及 F1-score 等参数

06-11

对于多分类logistic回归结果，我们可以使用sklearn库中的相关函数来计算这些参数。具体步骤如下： 1. 导入必要的库和数据 ...通过调用相关函数，即可计算出accuracy、auc、recall、precision以及F1-score等参数。

svm分类算法matlab的评价指标listing Accuracy (ACC) as a percentage, Area Under the Curve (AUC), Precision, Recall, and F1 Score. 怎么计算

01-10

为了在MATLAB中计算支持向量机(SVM)分类算法的各种评价指标，包括准确率（ACC）、曲线下面积（AUC）、精确度（Precision）、召回率（Recall）以及F1分数，可以采用如下方法： #### 准确率（Accuracy）准确率是指...

详解多分类模型的Micro-F1/Precision/Recall计算过程

ybdesire的专栏

08-01

1万+

多分类文本F1值计算

zzyzzylalala的博客

06-01

677

p, r, f1, _ = precision_recall_fscore_support(self.y_true, self.y_pred, labels=[1, 2, 3, 4, 5, 6, 7, 8, 9], average=None, warn_for=tuple()) print(f1) p, r, f1, _ = precision_recall_fscor

多分类f1分数_所以多分类情况下sklearn的f1值到底是怎么计算的

weixin_30768979的博客

12-28

3156

已经很久没有更新新的文章啦，最近在弄GCN，很多东西的理解都还没有很透彻，所以也不太好发，不过就在今天“南归”的时候刷知乎，刷到了这么一个朋友( @苏小胖与喵 )的疑问：这。。。么简单的问题。。。。我还真没思考过。。。。调包侠调sklearn习惯了，殊不知岁月静好有人为我负重前行，所以到底哪种计算方式才是正确的我不太好说，不过sklearn的方式是值得探究探究。于是，就直接做了个小实验：大致思路如...

多分类的recall，f1-score的计算方法

weixin_41012399的博客

10-26

3509

首先可以用sklearn包直接计算。 from sklearn.metrics import recall_score,f1_score,accuracy_score y_true = [1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 4, 4] y_pred = [1, 1, 1, 0, 0, 2, 2, 3, 3, 3, 4, 3, 4, 3] print(f1_score(y_true,y_pred,labels=[1,2,3,4],average='micro')) pri

sklearn中，二分类的precision_score, recall_recore,f1_score

tyler的博客

01-14

3871

precision_score：准确率 # 假设二分类标签为1，2 from sklearn.metrics import precision_score, recall_score, f1_score precision_score(y_test, y_pred, average="binary", pos_label=1) # pos_label设置为1，代表标签为1的样本是正例，标签为2的样本是负例。 recall_score：召回率 # 假设二分类标签为1，2 recall_score(y.

多分类f1分数_机器学习之分类模型评估总结

weixin_27027459的博客

12-30

2208

一、概述在机器学习模型搭建好之后，需要对模型进行评估，针对不同的算法模型有不同的评估方法，比如：分类算法、回归算法、聚类算法等，本文主要是针对分类算法的模型评估方法进行总结整理，便于自己对评估方法的进一步理解和随时查阅。二、详细说明在介绍分类评估方法之前，首先介绍一个比较重要的概念：混淆矩阵，后续的评估方法都是在此基础之上定义的，对于分类模型而言（这里仅以最简单的二分类为例，假设只有0和1两类），...

基于sklearn计算precision、recall等分类指标

酒酿小圆子呀～

07-20

5149

我们可以知道，精度(precision)、查全率(recall)、F1的计算，是针对于二分类器来定义的。他们的计算，只与y_true和y_pred有关，要求y_true和y_pred中只含有0和1两个类别。我们在实际计算上述分类指标中，可以直接调用sklearn中的函数库实现。