机器学习--分类性能评价之Micro Average,Macro Average, Weighted Average

最新推荐文章于 2023-12-02 22:52:59 发布
最新推荐文章于 2023-12-02 22:52:59 发布
阅读量1.3k 收藏 6
点赞数
文章标签： 机器学习 python 算法
原文链接：https://www.cnblogs.com/laozhanghahaha/archive/2004/01/13/12499979.html
版权

本篇博客主要是解释Micro Average，Macro Average，Weighted Average．这三者常用于多分类任务，他们的计算方法有细微的差别，因此在各自表示的含义和适用场景上也有细微的差别。

https://www.cnblogs.com/laozhanghahaha/archive/2004/01/13/12499979.html

micro 使用场景：在计算公式中考虑到了每个类别的数量，所以适用于数据分布不平衡的情况；但同时因为考虑到数据的数量，所以在数据极度不平衡的情况下，数量较多数量的类会较大的影响其值。

marco 使用场景：没有考虑到数据的数量，所以会平等的看待每一类。

xiaobai1_1
关注
python三分类模型，基于预测概率和标签信息，计算 micro-auc, macro-auc, weight-auc指标，以及这些指标对应的95%置信区间（confidence interval）
data+scenario+science+insight
06-27 677
python三分类模型，基于预测概率和标签信息，计算 micro-auc, macro-auc, weight-auc指标，以及这些指标对应的95%置信区间（confidence interval）
机器学习-随机森林之回归
热门推荐
weixin_43213268的博客
04-13 3万+
一、随机森林之回归 RandomForestRegressor class sklearn.ensemble.RandomForestRegressor (n_estimators=’warn’, criterion=’mse’, max_depth=None,min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0...
多分类metric的macro-averge与micro-average
real_ilin的博客
05-07 2054
macro-average是每个类有相同的权重，precision、recall或f1_score，先求和再除以类别的个数。跟样本的个数没有关系。 micro-average： 每个样本有相同的权重。 macro与micro的区别： 如果各个类别的样本个数相差不的话，macro-average与micro-average相差不大 如果不同类型样本个数不均衡时，比如有一个类型的样本数据特别多，...
Weighted average
Reboot
05-19 3263
加权平均成本计价法Word 文档下载 目录概览：加权平均成本算法：运行时平均成本价：库存关闭：例子：不计算物理库存的加权平均成本计价法：计算物理库存的加权平均计价法Marking: 关闭库存的步骤：     概览：Item 加权平均成本算法： 加权
【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-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
模型评估指标micro avg、macro avg和weighted avg的计算方式及区别
山阴少年
04-12 3万+
  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
机器学习-分类聚类预测系统
clown0004的博客
06-23 2885
这是机器学习课程的一个课设,具体的课设要求如下:1.熟悉机器学习的完整流程，包括：问题建模，获取数据，特征工程，模型训练，模型调优，线上运行；或者分为三大块：数据准备与预处理，模型选择与训练，模型验证与参数调优。 2.绘制机器学习算法分类归纳思维导图，按照有监督学习、无监督学习、半监督学习和强化学习进行绘制，对学过的算法进行归纳总结。 3.自行选择学习任务，按照机器学习流程，分别设计分类、预测、聚类系统，每个系统务必选择不同的算法进行训练，采用多种方法进行模型验证与参数调优，选择适合的多个指标对模型进行评估
多分类f1分数_多分类的评价指标PRF（Macro-F1/MicroF1/weighted）详解
weixin_29356575的博客
12-28 1699
也许是由于上学的时候一直搞序列标注任务，多分类任务又可以简化为简单的二分类任务，所以一直认为PRF值很简单，没啥好看的。然鹅，细看下来竟有点晦涩难懂，马篇博留个念咯~前言PRF值分别表示准确率(Precision)、召回率(Recall)和F1值(F1-score)，有机器学习基础的小伙伴应该比较熟悉。根据标题，先区别一下“多分类”与“多标签”：多分类：表示分类任务中有多个类别，但是对于每个样本有...
python机器学习----模型选择1（方法、指标）
u013344884的博客
08-05 3850
一、模型选择的方法及相关指标 1、损失函数通常有0-1损失，平方损失，绝对值损失和对数损失 2、通常用测试集对模型评估，评估的方法有留出法，交叉验证法，留一法，自助法 #留出法：直接将数据分为对立的三部分（也可以是两部分，此时训练集也是验证集），在训练集上训练模型，在验证集上选择模型，最后用测试集上的误差作为泛化误差的估计，数据集划分尽量保持数据分布一致，可以用分层采样来保持比例，通常采用多...
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 8365
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
机器学习学习笔记（4）——macro-F1与micro-F1
LiQZ的博客
12-30 3426
本文以我自己的实验数据来作为样例说明何为macro F1与micro F1 目录1 前置知识2 macro-F1与micro-F12.1 使用场景2.2 计算方法3 总结4 参考 1 前置知识 关于F1 score的内容如果还不清楚的朋友，可以参考我的上一篇博客：《机器学习学习笔记（1）——错误率、精度、准确率、召回率、F1度量》 这里就只简单的提一下核心的混淆矩阵与公式： F1 score的公式： F1=2PRP+RF1 = \frac{2 P R}{P + R}F1=P+R2PR​ 其中：PPP是.
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 9795
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：
机器学习评价指标ROC中 macro,micro 的区别
m0_37531129的博客
06-19 9830
macro：每种类别下，都可以得到m个测试样本为该类别的概率（矩阵P中的列）。所以，根据概率矩阵P和标签矩阵L中对应的每一列，可以计算出各个阈值下的假正例率（FPR）和真正例率（TPR），从而绘制出一条ROC曲线。这样总共可以绘制出n条ROC曲线。最后对n条ROC曲线取平均，即可得到最终的ROC曲线。 micro：首先，对于一个测试样本：1）标签只由0和1组成，1的位置表明了它的类别（可对应二分类问题中的‘’正’’），0就表示其他类别（‘’负‘’）；2）要是分类器对该测试样本分类正确，则该样本标签中1对应的
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
多标签分类的结果评估---macro-average和micro-average介绍
weixin_30460489的博客
04-13 1373
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 祭出代码,画线的那两行就是关键啦: 二,查看多分类的评估报告 祭出代码,使用了classicfication_report() 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 微平均 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...
人工智能中的模型评估
最新发布
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-02 5570
人工智能（AI）模型评估是一个关键的过程，用于确定模型在特定任务上的性能和有效性。这个过程涉及使用各种技术和指标来衡量模型的准确度、可靠性、泛化能力以及其他重要特性。在不同的应用场景中，模型评估的具体细节和重点可能会有所不同，但总体目标是确保模型能够满足预定的标准和实际需求。
python机器学习数据建模与分析——数据预测与预测建模
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
04-11 7190
机器学习的预测建模在多个领域都具有重要的应用价值，包括个性化推荐、商品搜索、自动驾驶、人脸识别等。本篇文章将带领大家了解什么是预测建模
precision recall f1-score support accuracy macro avarage和 weighted average指的是什么
04-03
这些指标都是评估分类模型性能的指标，具体含义如下： - Precision（精确率）：表示模型预测为正例（Positive）的样本中，实际为正例的比例。 - Recall（召回率）：表示实际为正例的样本中，模型预测为正例的比例。 - F1-score（F1值）：综合考虑精确率和召回率，是精确率和召回率的加权调和平均数。 - Support（支持数）：表示每个类别在数据集中的样本数。 - Accuracy（准确率）：表示模型预测正确的样本数占总样本数的比例。 - Macro average（宏平均）：对每个类别的指标取算术平均数。 - Weighted average（加权平均）：对每个类别的指标取加权平均数，权重为每个类别在数据集中的支持数占总支持数的比例。 其中，精确率和召回率通常是同时考虑的，因为它们之间存在一个权衡关系。在某些场景下，我们更关注精确率，比如在医疗诊断中，我们更希望少漏诊；而在某些场景下，我们更关注召回率，比如在垃圾邮件分类中，我们更希望少误判。F1-score综合了精确率和召回率，是一个更全面的评价指标。在多分类问题中，通常会使用宏平均和加权平均来综合评估模型性能。
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