sklearn micro macro weight 的区别

最新推荐文章于 2025-02-27 17:23:38 发布
原创 最新推荐文章于 2025-02-27 17:23:38 发布 · 3.2k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。

博客介绍了在统计多个类别准确率、召回率、fi - score时，sklearn的多种方式。包括微观（micro）统计总体数据的tp,tn,fp,fn来计算评估指标；宏观（macro）统计各自类别数据计算指标后求均值；weight方式则是计算均值时乘以各类别数据权重。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

对于多个类别在统计准确率，召回率，fi-score时，sklearn有多种方式。

micro：微观的意思，统计总体数据的tp,tn,fp,fn。计算相应的评估指标

macro：宏观的意思，统计各自类别的tp,tn,fp,fn。对每个类别计算相应的评估指标。在计算均值。

weight：统计各自类别的tp,tn,fp,fn。对每个类别计算相应的评估指标。在计算均值时乘以各类别数据所占的权重，

参考：https://www.cnblogs.com/techengin/p/8962024.html

f1 score sklearn中 F1-micro 与 F1-macro区别和计算原理
jacke121的专栏
02-08 4479
sklearn中 F1-micro 与 F1-macro区别和计算原理
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
06-27 883
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）
Lesson 6.6 多分类评估指标的 macro 和 weighted 过程 & Lesson 6.7 GridSearchCV 的进阶使用方法
每天进步一点点！
02-12 3145
多分类评估指标的 macro 和 weighted 过程，借助机器学习流构建全域参数搜索空间 ，优化评估指标选取，优化后建模流程
micro、macro、weighted、sample区别
weixin_40101756的博客
01-05 3111
在sklearn的度量函数中，average参数有四个：binary、 micro、macro、weighted、sample 1）没有参数时，默认是 'binary'，用于二分类； 2）进行单标签多分类时： 2.1） micro用于计算总体的指标，不对每个类别进行计算，如总体的TN、FN等 2.2） macro计算每个类别的指标，然后求和平均，不加权 2.3） weighted 计算每个类别的指标，然后根据每类样本数，进行加权求平均 3）多标签分类时，用sample ...
辨析sklearn.metrics里的average参数：binary/micro/macro/weighted/samples
Tobi
07-17 1万+
前言 最近在搞一个多标签分类项目，涉及到metrics的选择，正好趁此搞清楚metrics里常用的几种average方式，官方api（见下图）里的解释感觉有的关键点还是不清晰，还是要自己摸索计算验证一番。说到这里不得不吐槽一下，网上一搜全是直接把API里的翻译成中文，然后就发一篇博文，请问有什么意义呢？还不如不发，浪费查找者的精力。所以决定写一篇具体的分析，加深自己及对此有疑问的同道的理解。 下面就开始分别介绍None、binary、micro、macro、weighted、samples这..
sklearn.metrics.accuracy_score/precision_score/recall_score、micro/macro/weighted(准确率、召回率)
wrwhahah的博客
12-01 7287
1、accuracy即我们通常理解的准确率，计算的时候是指在预测值pred与目标值target之间重叠的部分的大小除以pred的大小(或target的大小,因为sklearn要求pred与target大小必须一致)。 比如target=[2,2,2,3,2] pred=[2,2,1,3,4] 此时重叠的部分为pred[0]、pred[1]、pred[3]，accuracy=3/5=0.6 而precision_score意思类似，但不完全一样，它是从pred的角度考虑，意思是我虽然预测了
sklearn中精确率、召回率及F1值得micro，macro及weighted算法
sweet_tea_的博客
01-04 1203
sklearn中精确率、召回率及F1值得micro，macro及weighted算法
weighted-f1和micro-f1的区别
最新发布
weixin_56533314的博客
02-27 862
Weighted-F1 是对每个类别单独计算 F1-score，然后按照类别的样本数量进行加权平均。的变体，F1-score 是用于衡量分类模型性能的指标，结合了。计算 F1-score，适用于类别不均衡时。
sklearn 笔记 metrics
qq_40206371的博客
04-23 1677
在多标签分类中，此函数计算子集准确率：y_pred的标签集必须与 y_true 中的相应标签集完全匹配。
sklearn中f1_score参数解析
weixin_43178406的博客
03-29 1万+
本文主要介绍了sklearn中f1_score参数解析，希望能对学习python和机器学习的同学有所帮助。 文章目录 1. f1_score 2. average
机器学习--分类标准
qq_36102055的博客
12-10 748
文章目录分类准确度精确率与召回率(查准率与查全率)平衡点与F1 分类准确度 分类准确度是常用的一种评测模型的标准，假设训练出的模型是fff，测试集是XXX，则分类准确度为 1m∑i=1mI(f(X(i))=yi)\frac{1}{m}\sum\limits_{i = 1}^m \mathbb{I}(f(X^{(i)}) =y_i)m1​i=1∑m​I(f(X(i))=yi​) 其中I\mathbb{I}I表示指示函数，后面的表达式如果为真那就返回1，否则返回0。 分类准确度表达了对于所有的测试数据模型能够预
一文解释Micro-F1, Macro-F1，Weighted-F1
鲁班七号
07-02 1万+
  本文用通俗易懂的形式解释多分类任务中的micro-f1，macro-f1，weighted-f1。前提需要知道基本的概念如精确率、召回率。  
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
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 1万+
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：
多分类条件下分类指标：Macro-average和Micro-average，以及Weighted-average
jmhIcoding
03-17 1万+
在二分类条件下，我们可以很轻易的在混淆矩阵的基础上定义出各种指标（例如Accurarcy, precision, F1F_1F1​, recall），其定义方法如下： true positive: TP，真实情况为True,预测也为正的样本数。 false positive:FP，真实情况为False，预测为正的样本数。 false negative:FN，真实情况为True，预测为负的样本数。 true negative: TN，真实情况为False，预测为负的样本数。 对于这四个指标，在英文的取名是是
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...
分类评价指标 F值 详解 | Micro F1 & Macro F1 & Weight F1
我是菜鸡
05-25 1万+
之前写一个作业样本不均衡问题。然后查了很多文章都说要更换评价指标，不能再使用准确率了，要计算F值。我看了一下F值怎么计算，看了挺多文章的，但是感觉说的比较迷惑，或者说法比较拗口。最后还是自己再总结一个。 查准率、查全率、F值 我们平时对于一个模型预测的准不准，我们最先想到的是用准确率(Accuracy)进行评价。 A=truetotal A = \frac{true}{total} A=totaltrue​ 这个虽然常用，但不能满足所有任务的需求。 所以我们可以引入查准率和查全率。 查准率(Preci.
sklearn(六)计算acc、recall、f1中micro和macro的区别
凝眸伏笔的博客
12-01 5222
‘micro’:通过先计算总体的TP，FN和FP的数量，再计算F1，Precision（tp/(tp+fp)） = Recall（tp/(tp+fn)） = F1_score（2 * (precision * recall) / (precision + recall)） = Accuracy（T/(T+F)）计算micro时，四者相等（如果没有出现预测错误的情况，如下面的例子预测为0，否则tp=T,fp=fn=F） ‘macro’:分布计算每个类别的F1，然后做平均（各类别F1的权
sklearn中的precision_score参数介绍
09-05
- average：用于计算多类别问题的精确度，可选值为{‘binary’, ‘micro’, ‘macro’, ‘weighted’, ‘samples’}。通常使用binary即可。 - sample_weight：样本权重数组。 precision_score函数会根据给定的参数...
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