分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）

最新推荐文章于 2024-07-11 21:40:10 发布
最新推荐文章于 2024-07-11 21:40:10 发布
阅读量10w+ 收藏 510
点赞数 114
分类专栏： 机器学习 文章标签： 机器学习 数学基础
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/sinat_28576553/article/details/80258619
版权

 

 

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。）

 

首先看真阳性：真阳性的定义是“预测为正，实际也是正”，这个最好理解，就是指预测正确，是哪个类就被分到哪个类。对类A而言，TP的个位数为2，对类B而言，TP的个数为2，对类C而言，TP的个数为1。

然后看假阳性，假阳性的定义是“预测为正，实际为负”，就是预测为某个类，但是实际不是。对类A而言，FP个数为0，我们预测之后，把1和2分给了A，这两个都是正确的，并不存在把不是A类的值分给A的情况。类B的FP是2，"3"和"8"都不是B类，但却分给了B，所以为假阳性。类C的假阳性个数为2。

最后看一下假阴性，假阴性的定义是“预测为负，实际为正”，对类A而言，FN为2，&#

最低0.47元/天 解锁文章
THEAQING
关注
  • 114
    点赞
  • 踩
  • 510
    收藏
    觉得还不错? 一键收藏
  • 19
    评论
专栏目录
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
机器学习评价指标【准确率、精确率、召回率、F1值、ROC、AUC】
真心乖宝宝的博客
08-07 1756
准确率(precision) 在被判定为正样本的数据中，实际为正样本的个数 精确率(accuracy) 在所有数据中，正负样本判断正确的个数 召回率(recall) 在实际为正样本的数据中，被判定为正样本的个数 F1值 F1值是精确率和召回率的调和均值，相当于精确率和召回率的综合评价指标 ROC 接收者操作特征曲线（receiver operating characteristic curve），是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性 横坐
F1-score
最新发布
weixin_46348136的博客
07-11 1540
仅记录个人学习
文本分类性能评价指标
tbinjiayou
03-21 8830
文本分类的性能评价指标主要是召回率（recall）、准确率（precision）、F1-measure，以及用于评价全局性能的宏平均（macro-average）和微平均（micro-average）。 意义与计算公式 假定：类别ci的分类结果中，正确分为该类的样本数目是a，错误划归为该类的样本数目是b，将该类错误划归为它类的样本数目是c，总共包含C类。 召回率：recall= a / (a
Accuracy(准确率)、Precision(精确率)、Recall(回招率)、F1－measure(综合评价指标)
zheng657555102的专栏
07-23 2914
现在我先假定一个具体场景作为例子： 假如某个班级有男生80人,女生20人,共计100人.目标是找出所有女生. 现在某人挑选出50个人,其中20人是女生,另外还错误的把30个男生也当作女生挑选出来了. 作为评估者的你需要来评估(evaluation)下他的工作   将挑选结果用 矩阵示意表来表示 ： 定义TP,FN,FP,TN四种分类情况   相关(
【机器学习】F1-score那些事
aqwca的博客
09-02 888
如果你有一个不平衡的数据集，那么你应该使用macroF1分数，因为即使类是偏斜的，这仍然会反映真实的模型性能。然而，如果你有一个平衡的数据集，那么可以考虑microF1分数，特别是如果与最终用户交流结果很重要的话。
深度学习（3）：不同分类模型的评价指标（F1、Recall、P）
牧子川的博客
07-12 8024
我们在训练模型的过程中，需要用未知的数据集（为被训练过的）送入训练好的模型进行验证，来检测该模型是否适用于该项目。哪该如何来进行判断呢？这个就需要评价指标了。模型的评价指标有很多，比如：精确率（查准率）、F1-Score、召回率（查全率）、准确率、P-R曲线、ROC曲线等。我们这里就主要介绍精确率（查准率）、F1-Score、召回率（查全率）、准确率。...
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 4639
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.
分类问题的几个指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）
ii偏闹i的博客
11-09 2320
混肴矩阵 True Positive(TP) False Negative(FN) False Positive(FP) False Positive(FP) 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...
多分类f1分数_【评价指标】详解F1-score与多分类MacroF1&MicroF1
weixin_34619335的博客
12-28 1596
文章来自：一个宝藏微信公众号【机器学习炼丹术】基本概念首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FNTP:true positive。预测是正确的正样本FP:false positive。预测是错误的正样本TN：true negative。预测是正确的负样本FP:false positive。预测是错误的负样本通常我们会做出这样的一个混淆矩阵...
准确率、精确率、召回率、F1值、ROC/AUC整理笔记
weixin_42483745的博客
05-03 1万+
文章目录前言一、TP、TN、FP、FN概念二、准确率、精确率（精准率）、召回率、F1值1.准确率（Accuracy）2.精确率（Precision）查准率3.召回率（Recall）查全率4.F1值（H-mean值）三、ROC曲线、AUC值1.ROC曲线2.AUC值总结 前言 案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/4_time_series_bikes.ipynb 对于分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概
分类问题评价指标
ZZ_Panda的博客
07-14 2480
二分类问题 1.混淆矩阵（Confuse Matrix） 混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型作出的分类判断两个标准进行汇总。 预测正例 预测负例 实际正例 TP (True Positive) 被模型预测为正的正样本 TN (True Negative) 被模型预测为负的负样本 实际负例 FP (False Positive) 被
一起理解指标ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1
SpaceSunflower 's ML/DL home
12-05 1592
【一起理解指标】ACC、Precision、Recall、F1、FPPI、MissRate(MR)、Macro-F1、Micro-F1
【机器学习】F1分数(F1 Score)详解及tensorflow、numpy实现
热门推荐
zjn-ai的博客
12-11 10万+
F1-Score相关概念 F1分数（F1 Score），是统计学中用来衡量二分类（或多任务二分类）模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准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。 真实 1 真实 0 预测 1 True Positive(TP)真阳性 False Positive(FP)假阳性 预测 0 Fals...
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 6038
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
准确度(accuracy)、精确率（precision)、召回率（recall）、F1值 谈谈我的看法
凡心所向.AI
08-22 7万+
前言 准确度、精确率、召回率、F1值作为评估指标，经常用到分类效果的评测上。比较好理解的二分类问题，准确度评估预测正确的比例，精确率评估预测正例的查准率，召回率评估真实正例的查全率。如何把这些评估指标用到多分类上呢，比如有三个类别A、B、C，准确度好理解，只要关系是否预测正确即可；那么精确率和召回率怎么理解呢？我们可以把多分类问题拆分成多个二分类问题，比如A类别是否预测正确，B类别是否预测正确，C类别是否预测正确，分别计算各个类别的每个类别的精确率和召回率，最终求均值既能作为所有样本的评估指标。 基本概
[[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729'], [' precision recall f1-score support 0 0.96 0.96 0.96 10762 1 0.91 0.96 0.93 9339 2 0.91 0.62 0.74 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.93 0.85 0.88 21729weighted avg 0.93 0.93 0.93 21729 samples avg 0.93 0.93 0.93 21729']]怎么调用[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729']
06-03
如果你想要调用其中的一个评估报告，可以使用索引操作符 `[ ]` 来访问对应的元素，再将它转化为字符串。以下是一个可能的代码示例： ``` report_list = [[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729'], [' precision recall f1-score support 0 0.96 0.96 0.96 10762 1 0.91 0.96 0.93 9339 2 0.91 0.62 0.74 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.93 0.85 0.88 21729weighted avg 0.93 0.93 0.93 21729 samples avg 0.93 0.93 0.93 21729']] # 访问第一个评估报告，并将其转化为字符串 report_str = '\n'.join(report_list[0]) print(report_str) ``` 输出结果应该是： ``` precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729 weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729 ``` 请注意，这只是一个示例，具体实现可能因你的使用环境而有所不同。如果你需要处理多个评估报告，也可以使用循环或列表推导式来遍历整个列表或者选择特定的元素。
评论 19
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