micro和macro F1 score理解

最新推荐文章于 2024-05-21 11:29:57 发布
最新推荐文章于 2024-05-21 11:29:57 发布
阅读量3.3k 收藏 15
点赞数 1
文章标签： 深度学习
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_42638415/article/details/123805994
版权

        首先，明确一个概念，精确率(Precision)和召回率(Recall)并不是只有在目标检测中才有的，是所有任务涉及到分类的都有。而且P和R是针对于每一类来说的，每一个类别都有自己的准确率和召回率，计算每一个类别时，该样本即为正样本，其他样本统一为负样本来计算。

首先，先说F1 score，它其实是用来评价二元分类器的度量。

F1是针对二元分类的，那对于多元分类器，有没有类似F1 score的度量方法呢？那就是这里提到的micro-F1和macro-F1

macro-F1

        其实很简单，就是针对于每个类计算他的精确率和召回率，求平均，然后再按照F1-score公式计算即可。

 

micro-F1

         其实也不难，就是将所有的类的精确率和召回率一起计算。

 

         之后，再按照F1-score的公式计算即可。

RANKING666
关注
  • 1
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
f1 score sklearn中 F1-micro 与 F1-macro区别和计算原理
jacke121的专栏
02-08 4121
sklearn中 F1-micro 与 F1-macro区别和计算原理
F1 score,micro F1score,macro F1score 的定义
慢慢变强大
09-28 6178
本篇博客可能会继续更新 最近在文献中经常看到precesion,recall，常常忘记了他们的定义，在加上今天又看到评价多标签分类任务性能的度量方法micro F1score和macro F2score。决定再把F1 score一并加进来把定义写清楚，忘记了再来看看。 F1score F1score(以下简称F1)是用来评价二元分类器的度量，它的计算方法如下： F1  ...
机器学习指标2 micro f1和macro f1
最新发布
人工智能曾小健
05-21 1139
Micro F1更关注整体性能，适用于类别分布相对平衡的情况。Macro F1更关注每个类别的性能，适用于类别分布不平衡的情况，或者当需要评估每个类别的性能时。在实际应用中，根据具体问题和业务需求选择合适的 F1 分数计算方法是很重要的。
ML: F1score与Macro-F1 score
sevune的博客
02-01 1080
F1值是一种用于评估二分类模型性能的指标，结合了模型的精确度（Precision）和召回率（Recall）。F1值是这两个指标的调和平均数。PrecisionTPFPTP​RecallTPFNTP​F12⋅PrecisionRecallPrecision⋅Recall​F1值对于那些需要平衡精确度和召回率的任务非常有用，例如医学诊断、垃圾邮件检测等。
【评价指标】详解F1-score与多分类MacroF1&MicroF1
忽逢桃林的博客
07-22 7982
基本概念 首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN TP: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： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rc8E9gBl-1595353574343)(http:/
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 4566
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.
F1 score中的Micro和Macro的区别
qq_30290795的博客
11-02 375
转载自: https://www.jianshu.com/p/42d5d1121b01
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
F-score是精度和召回率的调和平均，F-beta score是F1-score的扩展，可以调整对精度和召回率的重视程度，其中beta参数决定了两者的重要性，当beta=1时，得到的就是F1-score。 微观平均（Micro-Average）是将所有类别...
使用keras实现Precise, Recall, F1-socre方式
09-16
在多分类任务中，我们还可以计算Micro-F1和Macro-F1。Micro-F1是所有类别的TP、FP和FN求和后计算的F1分数，它更关注整体表现。而Macro-F1则是对每个类分别计算F1分数后再取平均值，它能更好地反映各类别的性能。 ...
本科数据挖掘作业31
08-08
在第一个classify_report中，我们可以看到precision、recall、f1-score和support四个指标。其中，precision表示模型对每个类别的预测准确率，recall表示模型对每个类别的预测召回率，f1-score是precision和recall的...
pytorch-multi-label-classification
04-02
5. **评估指标**：由于多标签分类的目标是预测所有可能的标签，因此评价指标通常包括Micro F1 Score、Macro F1 Score、Average Precision等，它们能综合反映模型在所有标签上的性能。 6. **模型保存与验证**：训练...
二分类问题的micro-F1 score（f值）和Accuracy（准确度）
weixin_44839047的博客
01-11 4013
直接上结论： 二分类的micro-F1 score和Accuracy的值相等 关于 F score 和micro-F score以及macro-F score可以参考：参考文 对于二分类问题（A类和B类），某分类器判断结果为 判断为A类 判断为B类 实际为A类 a b 实际为B类 c d 为了计算 micro-F1 score，计算整体的TP，FP，FN。 对于A类来说 TPA = a ，对于B类来说 TPB = d ， 同理可得 FPA= c ，FPB = b， 以及FNA= b
【机器学习】F1-score那些事
aqwca的博客
09-02 836
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。
#机器学习 Micro-F1和Macro-F1详解
热门推荐
往深度学习的深度广度冲！
04-26 5万+
micro-F1和macro-F1详解 F1-score：是统计学中用来衡量二分类模型精确度的一种指标，用于测量不均衡数据的精度。它同时兼顾了分类模型的精确率和召回率。F1-score可以看作是模型精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。.
【多分类指标-Macro-F1 与Micro-F1】
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
10-09 8739
转载 https://blog.csdn.net/lyb3b3b/article/details/84819931 还可参考 https://www.cnblogs.com/techengin/p/8962024.html https://zhuanlan.zhihu.com/p/64315175 https://blog.csdn.net/qq_43190189/article/details/105778058 https://blog.csdn.net/sinat_28576553/article/d
F1 micro macro 区别和详解
weixin_48185819的博客
08-24 1万+
micro-F1和macro-F1详解 摘要 micro-F1： macro-F1： weighted-F1 调参 摘要 F1-score：是统计学中用来衡量二分类模型精确度的一种指标，用于测量不均衡数据的精度。它同时兼顾了分类模型的精确率和召回率。F1-score可以看作是模型精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。 在多分类问题中，如果要计算模型的F1-score，则有两种计算方式，分别为micro-F1和macro-F1，这两种计算方式在二分类中与.
F1 得分(Macro-F1与Micro-F1)
jianghuixin
02-08 1882
对于二分类, F1 得分等于 Precision 与 Recall 的调和平均数, 公式如下: F1-Score=2∗Precsion∗RecallPrecision+Recall F1\text{-}Score=\frac{2*Precsion*Recall}{Precision+Recall} F1-Score=Precision+Recall2∗Precsion∗Recall​ 对于多分类, 因为包含多个类别, F1 得分的计算包含 Macro-F1 和 Micro-F1 两种方式 创建示例数据 假
分类问题中的评价指标（F1-Score、Micro-F1、Macro-F1）
qq_50595984的博客
10-22 1992
分类问题的评价指标
map(macro average precision) 与 F1score
zjm750617105的专栏
08-09 4884
之前写过关于准确率和召回率： http://blog.csdn.net/zjm750617105/article/details/54914184map， macro average precision， 宏平均准确率：其实就是 各个类别的准确率的平均值， 每个类别的准确率计算参考上面的链接。具体例子： [[ 7 28 0 0 0 0 0 93] [ 5 28
precision,f-score,recall 里面的micro和macro有什么区别
03-29
1. Micro平均：将所有类别的TP、FP、FN分别求和，然后计算精确度、召回率和F1-score。即将多个类别的预测结果看做一个整体，计算整体的指标。Micro平均通常用于类别不平衡的情况下。 2. Macro平均：对每个类别单独...
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