评价指标F1之Mirco-F1和Macro-F1

最新推荐文章于 2025-03-22 10:41:45 发布
最新推荐文章于 2025-03-22 10:41:45 发布
阅读量5.4k 收藏 8
点赞数
文章标签： 深度学习 python
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.youkuaiyun.com/ChinaZm/article/details/124340548
版权

在做对话任务时有个自动评价指标F1，用来评测预测句子相较于ground truth中实体的重复率，但是在计算时，F1的计算方法有两种，一种是计算单个的F1值，最后计算平均，称为Marco-F1；另外一种是首先计算整体准确率和召回率，最后在计算F1值，称之为Mirco-F1。

  • F1的计算公式：
    F1=2*(P*R)/(P+R)
    P是Precision，准确率
    R是Recall，召回率

  • 准确率和召回率的计算公式：
    Precision=TP/(TP+FP)
    Recall=TP/(TP+FN)

    真阳性（TP）：预测为正P（Positive），实际为正（Truth，预测正确）
    假阳性（FP）：预测为正P（Positive），实际为负（False，预测错误）
    假阴性（FN）：预测为负N（Negative），实际为正（False，预测错误）
    真阴性（TN）：预测为负N（Negative），实际为负（True，预测正确）

    准确率衡量预测为正中有多少是对的
    召回率表示正例中预测出多少

ChinaZm
关注
F1-score值计算
Python，数据分析，机器学习，深度学习
06-25 3万+
F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数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。 1. TP、TN、FP、FN解释说明 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） TN（真反例） 行表示预测的label值，列表示真实label值 TP：True Positive, 被判定为正样本，事实上也是
机器学习指标2 micro f1和macro f1
强化学习曾小健
05-21 2313
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。
F1 得分(Macro-F1与Micro-F1)
jianghuixin
02-08 2082
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
准确率、精确率、召回率、F1值
最新发布
D2460596421的博客
03-22 768
4. F1 = 2 /（1/精准率 + 1/召回率）=（2*精准率*召回率）/ （精准率+召回率）（在我看来是基于真实类别来判别的，所以分母是该类的真是类别全部个数）（在我看来是基于预测结果来判别的，所以分母是预测该类的全部个数）3.召回率 = 对于一类预测正确的个数 / 真正是该类的全部个数。2.精确率 = 对于一类预测正确的个数 / 预测该类的全部个数。1.准确率 = 预测正确个数 / 总样本的个数；由于需要对精准率和召回率的综合，才引出了F1。准确率和召回率都是基于一类进行研究的。
F1得分的具体公式
qlkaicx的博客
02-28 1万+
F1得分是精确率（Precision）和召回率（Recall）的调和平均数，常用于评估二分类模型的性能。需要注意的是，F1得分同时考虑了精确率和召回率，因此能够更全面地评估模型的性能。这个公式可以用来计算给定一组预测结果的F1得分，从而评估模型的性能。
F1计算公式
TH_NUM的博客
12-19 2万+
The F1 score is equivalent to harmonic mean of the precision and recall, where the best value is 1.0 and the worst value is 0.0. The formula for F1 score is: F1 = 2 * (precision * recall) / (precision...
F1,RECALL,TPR,FNR等指标计算
一只菜鸟夹
01-03 1464
https://segmentfault.com/a/1190000016591841
准确率、召回率、F1是如何确定的
影子
12-23 5774
其中，真实为正例且被预测为正例的样本数为真正例（True Positive, TP），真实为负例但被误预测为正例的样本数为假正例（False Positive, FP），真实为负例且被预测为负例的样本数为真负例（True Negative, TN），真实为正例但被误预测为负例的样本数为假负例（False Negative, FN）。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。= 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）
Python-F1-micro 与 F1-macro和AUC通过sklearn计算
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
03-18 2231
目录 0、基础 TP, TN, FP, FN的定义 Accuracy/Precision/Recall的定义 1、简介 2、使用 3、白话理解原理 3、举例 0、基础 Precision又叫查准率，Recall又叫查全率。这两个指标共同衡量才能评价模型输出结果。 TP, TN, FP, FN的定义 在二分类问题中。 TP: 预测为1(Positive)，实际也为1(Truth-预测对了) TN: 预测为0(Negative)，实际也为0(Truth-预测对了) FP: .
paddle Macro-F1
08-28
- *1* *2* [评价指标F1之Mirco-F1和Macro-F1](https://blog.youkuaiyun.com/ChinaZm/article/details/124340548)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_...
ZB45 MIRCO2程序 CH-10A00
01-10
GD包装机MIRCO2程序是针对特定型号的GD包装机使用的微型程序，用于监测和维护机器的关键性能指标。本文档聚焦于CH-10A00型号的程序，这个程序是针对CH系列包装机的油压检测功能而设计的。 文档中首先介绍了涉及的...
aas-course-notes:该资料库包含我对博洛尼亚大学教授的自动和自适应系统课程的笔记。米尔科·穆索莱斯（Mirco Musolesi）
03-19
自主和自适应系统课程说明 该资料库包含我对博洛尼亚大学教授的课程的笔记。 。它们基于： Musolesi教授的幻灯片，请 理查德·萨顿（Richard S. Sutton）和安德鲁·G·巴托（Andrew G. Barto）的“强化学习，入门”...
机器学习学习笔记（4）——macro-F1与micro-F1
LiQZ的博客
12-30 3600
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.
sklearn中 F1-micro 与 F1-macro区别和计算原理
热门推荐
lyb3b3b的专栏
12-05 3万+
二分类使用Accuracy和F1-score，多分类使用宏F1和微F1。 最近在使用sklearn做分类时候，用到metrics中的评价函数，其中有一个非常重要的评价函数是F1值， 在sklearn中的计算F1的函数为 f1_score ，其中有一个参数average用来控制F1的计算方式，今天我们就说说当参数取micro和macro时候的区别 1、查准率，查全率，F1值: 对...
f1分数是如何计算出来的?
weixin_44943389的博客
10-07 1123
F1分数是一个用于评估分类模型性能的指标，它综合考虑了模型的精确度（Precision）和召回率（Recall）两个方面。F1分数是一个重要的指标，特别适用于处理类别不平衡的数据集，因为它综合考虑了正类别和负类别的预测性能。总的来说，F1分数可以帮助你评估分类模型在正类别预测的准确性和负类别预测的召回率之间的平衡情况。召回率衡量了模型在所有实际正类别的样本中，有多少被正确地预测为正类别。精确度衡量了模型在所有预测为正类别的样本中，有多少是真正的正类别。
F1分数（F1-Score）
weixin_44299786的博客
09-22 1万+
精确率（Precision）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有被分类为正例的样本数量（True Positives + False Positives，TP + FP）的比值。召回率（Recall）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有实际正例的样本数量（True Positives + False Negatives，TP + FN）的比值。F1分数是精确率和召回率的调和平均值，用于综合考虑分类器的性能。
根据P(precision)、R（recall）计算F1和iou
向上生长的程序媛的博客
11-17 1万+
一、首先，了解TP 、TN 、FP、 FN的基本概念 TP：被模型预测为正类的正样本（预测正确的正样本） TN：被模型预测为负类的负样本（预测正确的负样本） FP：被模型预测为正类的负样本（预测错误的正样本） FN：被模型预测为负类的正样本（预测错误的负样本） 二、根据TP 、TN 、FP、 FN计算P(precision)、R（recall） precision 计算公式： recall 计算公式： accuracy计算公式： 三、根据P(precision)、R（recal.
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.
【漫话机器学习系列】056.F1值（F1 score）
IT古董
01-20 1246
F1值是机器学习中一种用于评估模型性能的指标，特别适合用于 不平衡数据集 的分类任务。它是 精确率（Precision） 和 召回率（Recall） 的调和平均值。通过综合考虑精确率和召回率，F1值能够衡量模型在样本分类中的整体表现。F1值是一种综合考虑精确率和召回率的性能指标，在不平衡数据中尤为重要。它帮助我们评估模型在正负样本分类上的权衡能力，能够为优化分类器提供有力的指导。
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