基于混淆矩阵计算多分类的准确率和召回率

最新推荐文章于 2024-08-12 23:43:34 发布
最新推荐文章于 2024-08-12 23:43:34 发布
阅读量2.1w 收藏 29
点赞数 4
分类专栏： A机器学习 文章标签： 多分类 混淆矩阵 召回率 准确率
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/wen_fei/article/details/83346750
版权
本文介绍了混淆矩阵在多分类问题中的应用，详细解释了准确率、精确率和召回率的计算方法，并提供了具体的计算示例，通过一个7类别的混淆矩阵展示了如何分别计算各类别的精确率和召回率。
摘要由CSDN通过智能技术生成

定义

TP-将正类预测为正类

FN-将正类预测为负类

FP-将负类预测位正类

TN-将负类预测位负类

准确率（正确率）=所有预测正确的样本/总的样本 （TP+TN）/总

精确率= 将正类预测为正类 / 所有预测为正类 TP/（TP+FP）

召回率 = 将正类预测为正类 / 所有正真的正类 TP/（TP+FN）

多分类下计算

应用多分类问题，把每个类别单独视为”正“，所有其它类型视为”负“，考虑如下的混淆矩阵：
M = [
[14371, 6500, 9, 0, 0, 2, 316],
[5700, 22205, 454, 20, 0, 11, 23],
[0, 445, 3115, 71, 0, 11, 0],
[0, 0, 160, 112, 0, 0, 0],
[0, 888, 39, 2, 0, 0, 0],
[0, 486, 1196, 30, 0, 74, 0],
[1139, 35, 0, 0, 0, 0, 865]
]
分别计算各个类别的精确率与召回率：

n = len(M)
for i
最低0.47元/天 解锁文章
腾云丶
关注
专栏目录
混淆矩阵,准确率,精确率,F1
Jiashilin
04-27 1万+
一级指标（最底层的）： 真实值是positive，模型认为是positive的数量（True Positive=TP） 真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第一类错误（Type I Error） 真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第二类...
多分类混淆矩阵、准确率、精确率、召回率、F1值
weixin_41696609的博客
03-15 968
对于分类模型的评价指标有：准确率accuracy、精确率precision、召回率recall和F1值。
多分类问题计算准确率
leetteel
09-04 814
import torch from torch.nn import functional as F logits=torch.rand(10,10) pred=F.softmax(logits, dim=1) pred_label=pred.argmax(dim=1) label=torch.tensor([3,7,6,9,0,2,6,4,5,6]) correct=torch.eq(label,pred_label) correct.sum().float().item()/len(label)
【动态规划】万字01背包(使用条件,推导技巧,算法本质)
最新发布
weixin_72391681的博客
08-12 1439
万字文章借01背包作为分析对象,从思维原始层面解释原理,自取需要加强的部分。
python 多分类 recall_多分类如何根据混淆矩阵求准确率、精准率、和召回率？
weixin_42355744的博客
02-09 5741
对于多分类问题，首先，对于每一个类的精准率(Precision)和召回率(Recall)，定义和二分类问题一致，但是计算上不再需要TP,FP,FN等量了：)比如对A, B, C三类有如下混淆矩阵：ABCA1012B2113C538行表示真值；列表示预测值。此时，每一类都有自己的精准率和召回率。精准率表示正确预测X占所有预测X的比例。所以对于A类来说，Prec...
深度学习：混淆矩阵，准确率，top1，top5，每一类的准确率
紫芝的博客
04-22 1万+
TP，FN，FP，TN TP（True Positive）：真实为0，预测为0； 关于神经网络图像分类中的Top-1和Top-5错误率 Top-1错误率 对一个图片，只判断概率最大的结果是否是正确答案。 Top-5错误率 对一个图片，判断概率排名前五中是否包含正确答案。 ...
多分类机器学习评价指标之准确率、精确率、召回率、F1值、ROC、AUC
qwe1110的博客
12-04 2万+
准确率、精确率、召回率、F1值 定义： 准确率（Accuracy）：正确分类的样本个数占总样本个数， A = (TP + TN) / N 精确率（Precision）：预测正确的正例数据占预测为正例数据的比例， P = TP / (TP + FP) 召回率（Recall）：预测为正确的正例数据占实际为正例数据的比例， R = TP / (TP + FN) F1 值（F1 score...
Python利用混淆矩阵计算分类任务中的准确率/召回率/F1值
热门推荐
张家四少
08-12 2万+
摘要 在深度学习的分类任务中，对模型的评估或测试时需要计算其在验证集或测试集上的预测精度（prediction/accuracy）、召回率（recall）和F1值。本文首先简要介绍如何计算精度、召回率和F1值，其次给出python编写的模块，可直接将该模块导入在自己的项目中，最后给出这个模块的实际使用效果。 混淆矩阵及P、R、F1计算原理 混淆矩阵 进行二分类或多分类任务中，对于预测的评估经常需要构建一个混淆矩阵来表示测试集预测类与实际类的对应关系，混淆矩阵横坐标表示实际的类，纵坐标表示预测的类。混
模型评价：混淆矩阵、准确率、查准率和召回率
CANDY的博客
02-21 3217
1.混淆矩阵 对于二分类模型，预测结果为正类或者负类。结合样本的真实类别，可以得到如下的混淆矩阵 预测为正类 预测为负类 实际为正类 TP FN 实际为负类 FP TN 其中TP、FP、TN、FN分别由T、F、P、N四个字母组合而成，含义见下表 缩写 全称 含义 T True 表示分类正确 F False 表示分类错误 P Positive 表示正类 N Negative 表示负类 TP True Positive 表示真实类别为正类，分类结果也是正
多类混淆矩阵：计算 kappa、准确度、误差、灵敏度、特异性、精度、误报率等。-matlab开发
05-29
此代码是为两个或多个类实例混淆矩阵的形成和计算而设计的1准确度2.错误3.灵敏度（召回率或真阳性率） 4.特异性5.精密6.FPR-假阳性率7.F_score 8.MCC-Matthews相关系数9.kappa-Cohen's kappa 运行demo.m进行证明和...
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 7805
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
R语言使用caret包的confusionMatrix函数计算混淆矩阵、基于混淆矩阵的信息手动编写函数计算Precision、精确率指标
statistics+insight+vista+power
12-16 524
R语言使用caret包的confusionMatrix函数计算混淆矩阵、基于混淆矩阵的信息手动编写函数计算Precision指标
机器学习中的混淆矩阵，准确率，精确率，召回率，F1，ROC/AUC，AP/MAP
Luoyingfeng的博客
06-20 6063
评价指标的引出 为什么要引出这么多评价指标，它是基于什么样的需求？ 在生活中，最常用的就是准确率，因为它定义简单而且比较通用，但在机器学习中，它往往不是评估模型的最佳工具， 特别是在数据分布不平衡的时候，请看一个例子： 比如我们训练了一个预测地震的模型，预测类别只有两个：0：不发生地震、1：发生地震，当前有100个测试集，如果模型地无脑把每一个测试用例都预测为0，那么它就达到99%的准确率，但实际上它并不具有预测的能力，为什么会出现这种情况？因为这里数据分布不平衡，类别为1的数据太少，完全分错类别1依然可以
机器学习基础（五十三）—— 精确率与召回率（多分类问题精确率和召回率的计算）
04-22 1万+
精确率（precision），召回率（recall）由混淆矩阵（confusion matrix）计算得来。 在信息检索中，精确率通常用于评价结果的质量，而召回率用来评价结果的完整性。实际上，精确度（precision）是二元分类问题中一个常用的指标。 精确度就是标记为“正”，而确实是”正“的样本占所有标记为“正”的样本的比例。 TPTP+FP \frac{TP}{TP+FP} 和精确率一起出现
混淆矩阵、准确率、查准率、查全率、DSC、IoU、敏感度的计算
齐落山大勇的博客
01-27 2062
在训练的模型的时候，需要评价模型的好坏，就涉及到混淆矩阵、准确率、查准率、查全率、DSC、IoU、敏感度的计算。
实习点滴（11）--TensorFlow快速计算“多分类问题”的混淆矩阵以及精确率、召回率、F1值、准确率
龙王Black的博客
08-24 1万+
在机器学习中，我们会利用一些指标（混淆矩阵、精确率、召回率、F1值、准确率）来判断我们模型的好坏，从而改进优化模型。下面介绍如何在TensorFlow下快速计算这些指标。
混淆矩阵、准确率、召回率
a45691316的博客
11-22 369
混淆矩阵、准确率、召回率 https://www.cnblogs.com/Zhi-Z/p/8728168.html posted on 2018-11-22 1...
多分类求混淆矩阵、精确率，召回率代码
q1030460485的博客
10-07 5691
python代码求混淆矩阵，精确率，召回率等的算法。
python准确率和召回率
08-23
Python中的准确率和召回率通常用于评估分类模型的性能。它们是两个不同的度量指标，用于衡量模型在不同方面的表现。 准确率（Accuracy）是指模型预测正确的样本数与总样本数之比。它衡量的是模型整体预测的准确程度。计算公式为： 准确率 = (预测正确的样本数) / (总样本数) 召回率（Recall）是指模型预测为正例且实际为正例的样本数与所有实际为正例的样本数之比。它衡量的是模型对真实正例的识别能力。计算公式为： 召回率 = (预测为正例且实际为正例的样本数) / (所有实际为正例的样本数) 在分类问题中，准确率和召回率往往是相互影响的。当我们希望更关注模型对正例的识别能力时，我们会更关注召回率；而当我们希望整体预测准确性更高时，我们会更关注准确率。 请注意，准确率和召回率是基于混淆矩阵（Confusion Matrix）计算得出的。混淆矩阵将真实标签和预测结果进行分类统计，包括真正例（True Positive）、假正例（False Positive）、真反例（True Negative）和假反例（False Negative）等四个指标。这些指标可以用来计算准确率、召回率以及其他评估指标。
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