获取每个类别的各种分类指标precision、recall、f1等等

最新推荐文章于 2024-03-25 22:59:03 发布
最新推荐文章于 2024-03-25 22:59:03 发布
阅读量4.2k 收藏 5
点赞数 4
文章标签： 分类器 分类指标
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/six66667/article/details/89479541
版权

平常在二分类问题中，precision_score()得到的都是一个值，

如果想知道每一类的各项指标值（二分类或者多分类都可以），查看官方文档

使用sklearn.metrics下的precision_recall_fscore_support

数据集以及前面的代码就不贴了，下面示例是个二分类问题。

程序：

print(precision_recall_fscore_support(y_test, pre_y, labels=[0,1]))

输出结果：

最低0.47元/天 解锁文章
six66667
关注
分类任务中的评估指标：Accuracy、Precision、Recall、F1
一杯水果茶！足矣~
03-28 1408
分类任务中的评估指标概念及理解，简单易懂。
混淆矩阵与多分类混淆矩阵概念详解及其应用求 Precision F1-Score Recall
最新发布
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。
05-21 1184
混淆矩阵，顾名思义，是一个由数字组成的矩阵，它告诉我们模型在哪些地方会出现混淆。它是分类模型预测性能的类别分布，也就是说，混淆矩阵是将预测结果映射到数据所属原始类别的一种有组织的方式。这也意味着，只有在已知输出分布的情况下，即在监督学习框架中，才能使用混淆矩阵。混淆矩阵不仅可以计算分类器的准确度（无论是全局准确度还是分类准确度），还有助于计算开发人员通常用来评估模型的其他重要指标。
多分类f1分数_多分类的评价指标PRF（Macro-F1/MicroF1/weighted）详解
weixin_29356575的博客
12-28 1646
也许是由于上学的时候一直搞序列标注任务，多分类任务又可以简化为简单的二分类任务，所以一直认为PRF值很简单，没啥好看的。然鹅，细看下来竟有点晦涩难懂，马篇博留个念咯~前言PRF值分别表示准确率(Precision)、召回率(Recall)和F1值(F1-score)，有机器学习基础的小伙伴应该比较熟悉。根据标题，先区别一下“多分类”与“多标签”：多分类：表示分类任务中有多个类别，但是对于每个样本有...
sklearn 计算 precision、recall、auc、F1 score
颹蕭蕭
10-05 4548
import numpy as np from sklearn.metrics import precision_recall_fscore_support from sklearn.metrics import roc_auc_score from sklearn.metrics import precision_recall_curve from numpy.random import ran...
sklearn(七)计算多分类任务中每个类别precision、recall、f1的集成函数precision_recall_fscore_support()
凝眸伏笔的博客
12-01 1万+
1.precision_recall_fscore_support()使用介绍： sklearn.metrics.precision_recall_fscore_support(y_true, y_pred, *, beta=1.0, labels=None, pos_label=1, average=None, warn_for=('precision', 'recall', 'f-score'), sample_weight=None, zero_division='warn') 输入参数：
sklearn.metrics import precision_recall_fscore_support
weixin_30518397的博客
04-23 985
二分类/多分类/多标签 对于二分类来说，必须定义一些matrics（f1_score，roc_auc_score）。在这些case中，缺省只评估正例的label，缺省的正例label被标为1（可以通过配置pos_label参数来完成） 将一个二分类matrics拓展到多分类或多标签问题时，我们可以将数据看成多个二分类问题的集合，每个类都是一个二分类。接着，我们可以通过跨多个分类计算每个二分类...
混淆矩阵，精确率，召回率及 sklearn precision_recall_fscore_support函数的使用
arvinChen的博客
06-09 1913
混淆矩阵
使用sklearn对多分类的每个类别进行指标评价操作
09-16
### 使用sklearn对多分类的每个类别进行指标评价操作 #### 背景与目标 在机器学习领域，特别是监督学习任务中，多分类问题是常见的一类问题。当我们训练了一个多分类模型后，如何评估其性能是至关重要的一步。常用...
机器学习指标(Precision、Recall、mAP、F1 Score等)
林学森的技术专栏
04-26 4655
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.
分类模型评估指标
白炎灵的博客
02-23 2159
文章目录混淆矩阵precision、recall、F1 score、supportAUC和ROC曲线KS曲线PSI群体稳定性指标 混淆矩阵 对于二分类问题，用0和1表示两种类别。 TP：真实为1且预测正确的样本个数 FN：真实为1但预测错误的样本个数 FP：真实为0但预测错误的样本个数 TN：真实为0且预测正确的样本个数 可以直接用sklearn库得到混淆矩阵，下面是之前数模写的代码（数据不在了，就只有运行结果） from sklearn import metrics print("Confusion m
【人工智能】NLP的Precision(查准率,精确率),Recall(查全率,召回率),Accuracy(准确率)以及综合评价指标(F1-Measure)
沙师弟专栏
10-29 9898
目录简述准确率、召回率、F1AP和mAP(mean Average Precision)ROC和AUC 简述 机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground t...
NLP中文分词的评估指标
空字符
01-01 1984
1.背景 NLP中一个最基本任务就是分词，当我们分词完成之后怎么来评判分词结果的好坏呢？换句话来说就是我该如何对分词结果打分？这个分数怎么算法，依照的标准是什么？例如： 原句子：武汉市长江大桥 分词一：武汉 市长 江大桥 分词二： 武汉市 长江大桥 对于分词一和分词二的打分应该是多少呢？为了搞清楚这个问题，我们先来学习（回顾）一些机器学习中的常见分类评估标准。 2.机器学习中的分类评估 2.1...
CPLLM代码逐行解析
人工智能曾小健
03-25 841
这段代码主要是在MIMIC-IV数据集上微调一个预训练的语言模型,用于慢性肾病的分类任务。训练过程中会评估模型在验证集上的性能,并在训练结束后在测试集上进行最终评估。通过这段代码,可以看到如何使用现有的预训练语言模型,结合LoRA和量化技术,在医疗领域的特定任务上进行高效的微调。这种方法可以在较小的数据集上取得良好的性能,同时减少计算资源的需求。预训练的语言模型(如LLaMA或BioMedLM),并在MIMIC-IV数据集上进行微调,用于慢性肾病的二元分类任务。模型的token embeddings。
Transformer: Training and fine-tuning(六)
weixin_42167712的博客
12-09 1827
文章目录1.Fine-tuning in native本地 PyTorch 1.Fine-tuning in native本地 PyTorch 模型类model class不是以TF开头的都是以Pytorch来运行的。 接下来考虑微调fine-tune一个BERT模型来做句子分类任务。当我们使用from_pretrained()实例化一个模型时，所指定模型的配置configuration 和预训练的权重会被用于初始化模型，这个库library也会包含一些指定任务(task-specific)的最后一层fin
python 预测测试集报告 precision 、recall 、f1-score 、support
11-01 2万+
from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report confusion_matrix(y_test, y_predict) print(classification_report(y_test, y_predict)) preci...
机器学习 F1-Score, recall, precision
热门推荐
Matrix-11
12-31 8万+
在机器学习，模式识别中，我们做分类的时候，会用到一些指标来评判算法的优劣，最常用的就是识别率，简单来说，就是 acc=Npre/Ntotalacc=N_{pre}/N_{total} 这里的 NpreN_{pre}表示预测对的样本数，NtotalN_{total}表示测试集总的样本数。 识别率有的时候过于简单， 不能全面反应算法的性能，除了识别率，还有一些常用的指标，就是我们要介绍的
SKLearn中预测准确率函数介绍
dichuanyan5669的博客
05-21 2468
SKLearn中预测准确率函数介绍 1、在使用Sklearn进行机器学习算法预测测试数据时，常用到classification_report函数来进行测试的准确率的计算输 #开始预测y_pred = clf.predict(X_test)print("do...
自然语言处理中的查准率与查全率：实例与策略
程序员光剑
12-27 423
1.背景介绍 自然语言处理(NLP)是人工智能的一个重要分支，其主要目标是让计算机理解、生成和处理人类语言。在过去的几年里，随着深度学习和大规模数据的应用，自然语言处理技术取得了显著的进展，例如语音识别、机器翻译、文本摘要、情感分析等。然而，在实际应用中，自然语言处理系统仍然面临着许多挑战，其中一个重要的挑战是如何提高系统的准确性和相关性。 在自然语言处理中，查准率(precision)和查全...
precision recall f1-score support
06-28
precision、recall、f1-score和support是机器学习中常用的评估指标。...在分类问题中，precision、recall和f1-score都是用来评估模型的分类准确性的指标，而support则是用来衡量每个类别的样本数量。
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