多分类中宏平均与微平均的区别

最新推荐文章于 2022-09-28 18:14:07 发布
最新推荐文章于 2022-09-28 18:14:07 发布
阅读量1.4k 收藏 4
点赞数 1
分类专栏： 机器学习
原文链接：https://www.cnblogs.com/yuuken/p/8822496.html
版权

宏平均：
在这里插入图片描述
微平均：
在这里插入图片描述
宏平均和微平均的对比
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
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:使用宏平均
更注重样本量少的class:使用微平均
如果微平均大大低于宏平均,检查样本量多的class
如果宏平均大大低于微平均,检查样本量少的class

Bob_tensor
关注
专栏目录
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】多分类任务的性能评价——宏平均和微平均
ccszbd的博客
05-24 1万+
很多时候我们有多个二分类混淆矩阵，例如进行多次训练/测试，每次得到一个混淆矩阵；或是在多个数据集上进行训练/测试，希望估计算法的“全局”性能；甚或是执行多分类任务，每两两类别的组合都对应一个混淆矩阵。总之，我们希望在n个二分类混淆矩阵上综合考察查准率和查全率。 二分类的分类结果混淆矩阵 真实情况/预测结果 正例 反例 正例 TP（真正例） FN（假反例） 反例 FP（假正例） ...
谈谈评价指标中的宏平均和微平均
weixin_34218579的博客
03-14 914
谈谈评价指标中的宏平均和微平均 　　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）...
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
咖乐部
11-04 7736
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/ar..
微平均 宏平均 微平均(准确率、召回率、f1-score相等) 以及 TP、TN、FP、FN的理解
Lord_sh的博客
07-08 3848
一种计算方法是把所有类别的一次性都考虑进来，计算类别预测的准确率。（微平均） 另外还有一种是对每个类别分开考虑，计算单独每个类别的准确率，最后再进行算术平均得到该测试集的准确率。（宏平均） 其中微平均 recall = precise = f1-score 无论是二分类还是多分类， 因为要统计所有的类别， 所以TP为各个类别分对的数目的总和， FP= FN 为各个类别分错数目的总和，recall = precise = 正确分类 / (正确分类 + 错误分类) https://zhuanlan..
评价指标中的宏平均和微平均
qq_34126716的博客
09-21 8932
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
一文读懂多分类的评价指标（微平均、宏平均、加权平均）
cz的博客
06-22 2857
多分类下的评价标准
操作系统中宏内核与微内核的区别
最新发布
03-29
微内核是一种更加模块化的内核结构，它将操作系统的核心功能分解成多个相互独立的模块。这些模块通过一些轻量级的通信机制进行交互，从而实现操作系统的功能。微内核的好处是它的可靠性和可维护性更好，因为任何一个...
事件循环中宏任务 微任务
weixin_49517769的博客
09-28 285
宏任务 微任务
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
weixin_42677438的博客
08-03 7198
多分类问题的“宏平均”（macro-average）与“微平均”(micro-average)
采集平台数据合并伴侣与平台中宏的作用.docx
10-14
采集平台数据合并伴侣与平台中宏的作用 采集平台数据合并伴侣是数据采集平台的辅助工具，其主要功能为数据表文件回收、数据合并、数据表版本转换。这些功能必须在允许宏操作的环境下才能使用。合并伴侣构成包括一个...
(笔记)宏平均和微平均
qq_42008588的博客
04-29 2254
目录 应用场景：多分类 计算公式： 例子： 例（1） 宏平均： 微平均： 例（2）： 宏平均： 微平均： 例（3）： 区别+更详细的应用场景： 结论： 应用场景：多分类 计算公式： （转自：谈谈评价指标中的宏平均和微平均_chenpe32cp的博客-CSDN博客） 两句话就是： 宏平均先在每个类别上计算P、R、F值，再取平均，我猜它之所以叫宏平均就是因为它用到了÷n；（自己的猜测，帮助理解） 微平均看总体的P、R，然后计算F； 例子： 例（1） （链..
多分类问题考察指标：宏平均（Macro-averaging）和微平均（Micro-averaging）
weixin_39490983的博客
04-24 5814
当我们的问题属于多分类问题时，考察在不同类别下综合考察分类器的优劣，需要引入宏平均（Macro-averaging）、微平均（Micro-averaging）。 宏平均（Macro-averaging）是指所有类别的每一个统计指标值的算数平均值，也就是宏精确率（Macro-Precision），宏召回率（Macro-Recall），宏F值（Macro-F Score），其计算公式如下： 宏查准率...
【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)
【深度学习】模型评价指标
热门推荐
chen1234520nnn的博客
09-10 1万+
一、分类任务 分类任务一般有二分类、多分类和多标签分类。 多分类： 表示分类任务中有多个类别，但是对于每个样本有且仅有一个标签，例如一张动物图片，它只可能是猫，狗，虎等中的一种标签（二分类特指分类任务中只有两个类别） 多标签： 一个样本可以有多个标签。例如文本分类中，一个文本可以是宗教相关，也可以是新闻相关，所以它就可以有两个标签。 常见的评价指标有：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 score、ROC曲线（Receiver Operating
机器学习分类算法常用评价指标
zdy0_2004的专栏
10-17 6751
https://www.cnblogs.com/asialee/p/9800039.html 1. 准确率，召回率，精确率，F1-score，Fβ，ROC曲线，AUC值 为了评价模型以及在不同研究者之间进行性能比较，需要统一的评价标准。根据数据挖掘理论的一般方法，评价模型预测能力最广泛使用的是二维混淆矩阵（Confusion matrix）（如下表所示）。 二维混淆矩阵 真实类别 ...
二分类和多分类问题下的评价指标详析（Precision, Recall, F1，Micro，Macro）
大数据开发、JAVA开发、人工智能AI
03-22 1万+
多分类问题下的评价指标分析（Precision, Recall, F1）二分类下的评价指标Accuracy几个常用的术语PrecisionRecallF1-score 二分类下的评价指标 Accuracy 分类算法有很多，不同分类算法有很多不同的变种。不同的分类算法有着不同的原理和结构，同时在不同的数据及上变现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的...
采集平台数据合并伴侣与平台中宏的作用
06-15
采集平台数据合并伴侣与平台中宏的作用
宏平均（Macro-averaging）、微平均（Micro-averaging）和权重平均（weight-averaging）的理解
Lisen’s blog
05-13 9806
很多博客关于宏平均，微平均，权重平均介绍了一大堆的公式，让人看了一头雾水，本文主要重点介绍怎么计算，从实例出发，相信大家在跟着算完一遍之后就知道这三个平均的意思了。 相关定义： 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。 假负例（False Negative，FN）：真实类别为正例，预测类别为负例。 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。 以正例为例计算：
分类指标：准确率、精确率、召回率、F1 score以及ROC、AUC、宏平均、加权平均
TFATS的博客
06-29 9593
本文将介绍： 混淆矩阵（Confusion Matrix） 准确率（accuracy） 召回率（recall） 精确率（precision） F1score ROC和AUC 宏平均(macro avg) 微平均(micro avg) 加权平均(weighted avg) 一，混淆矩阵（Confusion Matrix） 在n分类模型中，使用n行n列的矩阵形式来表示精度，纵列代表n个分类，在每行中的n个数据代表分别预测在每个类别的个数，完美的预测应该是一个列序数=行中有数据的索引数的一条斜线。 TP：
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