多标签分类的结果评估---macro-average和micro-average介绍

最新推荐文章于 2024-03-07 10:51:53 发布
最新推荐文章于 2024-03-07 10:51:53 发布
阅读量1.3k 收藏 1
点赞数 2
文章标签： 人工智能
原文链接：http://www.cnblogs.com/yuuken/p/8822496.html
版权

一,多分类的混淆矩阵

多分类混淆矩阵是二分类混淆矩阵的扩展

多分类混淆矩阵

祭出代码,画线的那两行就是关键啦:
多分类混淆矩阵代码

二,查看多分类的评估报告

祭出代码,使用了classicfication_report()
多分类的评估报告

三,宏平均与微平均

公式是神看的,我是学弱...直接看例子,没有复杂的公式:

宏平均

宏平均

微平均

微平均

宏平均和微平均的对比

  1. 如果每个class的样本数量差不多,那么宏平均和微平均没有太大差异
  2. 如果每个class的样本数量差异很大,而且你想:
    • 更注重样本量多的class:使用微平均
    • 更注重样本量少的class:使用宏平均
  3. 如果微平均大大低于宏平均,检查样本量多的class
  4. 如果宏平均大大低于微平均,检查样本量少的class
    1366679-20180413180328627-591627955.png

代码如何实现微平均和宏平均

传参数指定即可..sklearn真的很强大.

转载于:https://www.cnblogs.com/yuuken/p/8822496.html

weixin_30460489
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
XILINX-7SERIES-BARM-TDP-MACRO
07-10
XILINX-7SERIES-BARM-TDP-MACRO
【分类模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
Joker 007的博客
02-14 1万+
当我们使用 sklearn.metric.classification_report 工具对模型的测试结果进行评价时，会输出如下结果： 对于 精准率（precision ）、召回率（recall）、f1-score，他们的计算方法很多地方都有介绍，这里主要讲一下micro avg、macro avg 和weighted avg 他们的计算方式。 1、宏平均 macro avg: 对每个类别的 精准、召回和F1 加和求平均。 精准macro avg =(P_no+P_yes) / 2 =(0.24+0.73)
机器学习训练集、验证集、测试集，分类问题和回归问题评估指标，交叉验证法，macro avg与weighted avg含义，roc_auc_score与classification_report函数
我的个人博客
08-09 6520
机器学习训练集、验证集、测试集，分类问题和回归问题评估指标，数据集划分方式：交叉验证法，precision、recall、f1-score与accuracy介绍，maro avg：宏平均，计算方式为每个类型的算术平均，weighted avg：加权平均，是用每个类型样本数量与对应权重相乘再除以所有类别的样本总数，ROC、AUC
机器学习常见评价指标
土豆同学的博客
06-17 3375
在建模的时候，不论是一般机器学习还是深度学习，都要有评价指标进行模型效果的衡量，评价指标是对于一个模型效果的数值型量化。一般来说，评价指标分为分类问题和回归问题，本文分别介绍了两类问题的评价指标。...
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 6451
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
模型评估指标micro avg、macro avg和weighted avg的计算方式及区别
热门推荐
山阴少年
04-12 2万+
  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。   我们以sklearn.metrics.classification_report的输出结果作为展示，示例模型评估结果如下：   maro avg的中文名称为宏平均，其计算方式为每个类型的P、R的算术平均，我们以F1的macro avg为例，上述输出结果中的macro avg F1值的计算方式为： macro avg F1
亲爱的：Rust proc-macro属性解析器
02-05
亲爱的：Rust proc-macro属性解析器
dbg-macro：C ++的dbg（…）宏
01-30
dbg-macro：C ++的dbg（…）宏
proc-macro-hack：程序宏位于表达式位置
02-05
proc-macro-hack：程序宏位于表达式位置
graphql-tag.macro：graphql-tag的Babel宏
02-01
graphql-tag.macro 库的Babel Macro。 它能做什么 它内联使用graphql-tag解析GraphQL查询的结果。 转换为： const query = gql ` query { hello { world } } ` ; 对此： const query = { 'kind' : '...
混淆矩阵中的宏平均/微平均/权值平均的含义
walkkx的博客
08-20 534
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。
电商评价分析：NLP信息抽取技术在用户评论中的应用与挖掘
02-25 1549
随着在线购物的普及，用户评价数据的规模和复杂性不断增长，如何有效地从这些非结构化文本中提取有价值的信息，成为了提升用户体验和商家服务质量的关键。随后，我们针对电商评价的特定场景，对模型进行微调，使其能够识别和理解评价文本中的关键实体，如商品名称、品牌、用户感受等。例如，在用户评价中，我们不仅需要识别出实体和属性，还需要理解用户的观点和情感倾向。通过上述伪代码和输出示例，我们可以看到，平台能够准确地从用户评价中抽取出关键的评价维度，并给出相应的情感倾向和观点词，以及它们在文本中的位置和准确率。
micro和macro的区别
weixin_44943389的博客
06-12 2344
总结来说，Micro平均是将所有类别的结果合并成一个总体进行计算，适用于样本数量不均衡或关注整体性能的情况；而Macro平均是对每个类别的结果进行独立计算，并对各个类别的结果进行平均，适用于每个类别的性能对整体性能均等重要的情况。选择使用哪种平均方法取决于具体的问题和需求。micro和macro是在多类别分类问题中使用的两种不同的平均方式，用于计算多个类别的性能指标的平均值。
【机器学习-分类模型评价指标】混淆矩阵&分类报告
m0_51933492的博客
08-26 5571
混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。 混淆矩阵里面统计的是个数，有时候面对大量的数据,光凭算个数，很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下4个指标 在实际场景中，有时候需要同时关注精准率和召回率。这种情
电商领域的情感分析：基于AI大语言模型的用户评论挖掘
最新发布
禅与计算机程序设计艺术
03-07 141
1. 背景介绍 1.1 电商评论的重要性 随着互联网的普及和电子商务的快速发展，越来越多的消费者开始在线购物。在这个过程中，用户评论成为了消费者决策的重要参考依据。对于电商平台和商家来说，分析用户评论的情感倾向，可以帮助他们了解消费者的需求和喜好，从而优化产品和提升服务质量。
《美团机器学习实践》学习笔记：POI实体链接与评论挖掘
03-12 1326
POI实体链接 概念：POI实体链接是指对相同POI的不同描述进行关联和聚合。 背景和难点 两组POI信息——一组是美团已经有的POI信息库（库存POI库），另一组是希望与之进行POI实体链接的信息库（待选POI库）。目标是希望两个库中实际实体相同的POI建立一对一或多对一的实体链接。如“IU酒店晋中介休裕华路店”与“IU酒店（晋中介休裕华路店）”是同一个实体的不同POI，只是在写法上有差别，不能简单利用名称字符串相同的规则进行筛选匹配。 若待选POI库中有M个POI，库存POI库有N个，则每
多分类条件下分类指标：Macro-average和Micro-average，以及Weighted-average
jmhIcoding
03-17 1万+
在二分类条件下，我们可以很轻易的在混淆矩阵的基础上定义出各种指标（例如Accurarcy, precision, F1F_1F1​, recall），其定义方法如下： true positive: TP，真实情况为True,预测也为正的样本数。 false positive:FP，真实情况为False，预测为正的样本数。 false negative:FN，真实情况为True，预测为负的样本数。 true negative: TN，真实情况为False，预测为负的样本数。 对于这四个指标，在英文的取名是是
评价指标计算
踩坑记录
05-26 869
macro avg 是计算这些指标的宏平均值。不考虑类别样本数量的差异，将每个类别的指标求和后再除以类别总数N，得到各指标的平均值。准确率（Precision）：记为P_i，表示被正确预测为类别i的样本数占所有被预测为类别i的样本数的比例。召回率（Recall）：记为R_i，表示被正确预测为类别i的样本数占真实类别i的样本数的比例。F1-score：记为F1_i，是准确率和召回率的加权调和平均，用于综合考虑准确率和召回率。micro avg-R = (总体TP) / (总体TP + 总体FN)
多分类算法的评估指标
taon1607的博客
07-02 8663
在以往的分类问题求解当中，我们遇到的问题多为二分类问题，我们常用的评估指标有accuracy, precision, recall_score, f1-score, roc_auc_score等。但是在实际生活中，多分类问题也是大量存在的。这一小节，我们就详细的说明一下多分类问题的评估指标。 我们先来看一下sklearn库中的二分类的评估指标，以recall_score为例。在recall_score方法中，有一个很重要的参数’average’，它的默认值为’binary’。当在默认参数的情况，该评估方法
评估分类模型召回率和f1-score的代码
05-15
以下是评估分类模型召回率和f1-score的代码： ```python from sklearn.metrics import recall_score, f1_score # 假设 y_true 是真实标签，y_pred 是模型预测标签 # 计算召回率 recall = recall_score(y_true, y_...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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