宏平均（macro avg）、微平均（micro avg）、加权平均（weighted avg)、精度（precision）、召回率recall、f1score、confusion matrix

最新推荐文章于 2024-07-30 10:44:16 发布
最新推荐文章于 2024-07-30 10:44:16 发布
阅读量7.4k 收藏 18
点赞数
分类专栏： 模型模块学习 文章标签： pytorch
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/weixin_42253689/article/details/109478724
版权

分类任务：

宏平均：对类的平均。有两类，直接 （0.24+0.73）/2 = 0.45

微平均：对每个样本的平均。样本总数有7535+22462个 ：0.24*7535+0.73*22462

加权平均：考虑了权重的宏平均。0.24*（7535/29997）+0.73*（22462/29997）

 

 

分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）：https://blog.csdn.net/sinat_28576553/article/details/80258619

混淆矩阵（Confusion Matrix）分析：https://blog.csdn.net/vesper305/article/details/44927047

宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)：https://blog.csdn.net/weixin_43090631/article/details/107208216

 

 

咖乐布小部
关注
专栏目录
micro_macro_PR( pred_label , orig_label) ：计算微观和宏观平均：精度、召回率、F-score。-matlab开发
05-30
在机器学习和数据挖掘领域，评估模型性能是一个关键步骤，其中常用的评估指标包括精度（Precision）、召回率（Recall）和F-score。这些指标能够帮助我们理解模型在预测任务中的表现，尤其是在多类分类问题中。本文将...
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
【机器学习-模型评价指标】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
Joyeishappy的博客
08-11 1万+
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：（表格） 0 precision recall f1-score support 0 0.99 0.99 0.99 155 1 0.90 0.82 0.86 11 accuracy
机器学习 | 评估原理——准确率、精确率、召回率、F1值
最新发布
ttrr27的博客
07-30 1700
Hi，大家好，我是半亩花海。接着上次的模型评估与交叉验证继续更新《白话机器学习的数学》这本书的学习笔记，在此分享精确率、召回率、F1值相关评估原理。本章的基于已建立的模型进行评估知识的学习，欢迎大家交流学习！
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 8135
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
【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)
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 7044
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
机器学习常见评价指标
土豆同学的博客
06-17 3766
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。...
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
masm.rar_masm_平均值_骞冲潎 鎴愮哗
09-22
《使用MASM实现计算平均值、最大值和最小值程序详解》 在计算机科学领域，汇编语言是一种低级编程语言，它与机器语言密切相关，用于编写计算机程序。MASM（Microsoft Macro Assembler）是微软公司提供的一个汇编器...
JS异步宏队列与微队列原理区别详解
10-15
JavaScript中的异步处理机制是基于事件循环模型的，其中涉及到两个关键的概念：宏任务（Macro Task）和微任务（Micro Task）。这两个概念是理解JavaScript异步执行的核心。 1. **宏任务**： - 宏任务是那些在事件...
JS异步宏队列微队列原理详解
10-14
JavaScript中的异步处理机制是基于事件循环（Event Loop）的，这一机制涉及到宏队列（Macro Task Queue）和微队列（Micro Task Queue）的概念。理解这两个队列的工作原理对于编写高性能、非阻塞的前端代码至关重要。...
评价指标中的宏平均和微平均
qq_34126716的博客
09-21 8657
评价指标中的宏平均和微平均什么是召回率、准确率和F值？ 要理解宏平均和微平均，首先需要掌握召回率（R）、准确率（F）和F值。 什么是召回率、准确率和F值？ 对于二分类问题，可以将样例根据其真实类别和分类器类别划分为： 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。 假负例（False Negative，FN）：真实类别为正
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 6088
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
【机器学习-模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
weixin_43090631的博客
07-08 2万+
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.
深度学习模型评价指标——micro（微平均）/macro（宏平均）
WangJialin
04-05 1508
深度学习模型评价指标——micro（微平均）/macro（宏平均）
关于宏平均（Macro-averaging）和微平均（Micro-averaging）
chenpe32cp的博客
10-12 1万+
本为转载与此 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）：真实类别为正例，预测类别为正例...
Sklearn metric:recall,f1 的averages参数[None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, weighted
Amberrr的博客
09-25 2099
官方文档链接：（以recall_score为例子）https://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html precision_score,recall_score,f1_score都需要一个average的参数。 这个参数对于多类/多标签目标是必需的。如果没有（None），则返回每个类的分数。不为None的时候，这个参数这决定了对数据进行平均的类型: ‘binary’: 只适用于二值标.
怎么把 2 0.86 0.43 0.57 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.79 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.92 0.92 0.92 10762分成 2 0.86 0.43 0.57 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.79 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729和 precision recall f1-score support 0 0.92 0.92 0.92 10762
06-03
这个文本是一个混淆矩阵的输出结果，而且其中还包含了其它的统计信息，因此需要更加复杂的字符串处理。下面是一个示例代码，可以将其拆分成多个部分： ```python result = " 2 0.86 0.43 0.57 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.79 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.92 0.92 0.92 10762" # 拆分成多个部分 parts = result.split(" ") matrix_part = parts[0] stats_part = parts[1] micro_avg_part = parts[2] macro_avg_part = parts[3] weighted_avg_part = parts[4] samples_avg_part = parts[5] precision_recall_f1_score_part = parts[6] # 输出结果 print(matrix_part) print(stats_part) print(micro_avg_part) print(macro_avg_part) print(weighted_avg_part) print(samples_avg_part) print(precision_recall_f1_score_part) ``` 输出结果为： ``` 2 0.86 0.43 0.57 1628 micro avg 0.88 0.88 0.88 21729 macro avg 0.87 0.75 0.79 21729 weighted avg 0.88 0.88 0.87 21729 samples avg 0.88 0.88 0.88 21729 precision recall f1-score support 0 0.92 0.92 0.92 10762 ``` 其中，`matrix_part` 表示混淆矩阵的部分，`stats_part` 表示统计信息的部分，`micro_avg_part` 表示微平均的部分，`macro_avg_part` 表示宏平均的部分，`weighted_avg_part` 表示加权平均的部分，`samples_avg_part` 表示样本平均的部分，`precision_recall_f1_score_part` 表示每个类别的精确率、召回率和 F1 值的部分。你可以根据需要对这些部分进行进一步的处理。
评论 1
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