多分类 & 多标签 准确度计算

最新推荐文章于 2025-06-14 11:37:39 发布
原创 最新推荐文章于 2025-06-14 11:37:39 发布 · 6.3k 阅读 · 4 ·
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。

本文探讨了多类分类与多标签分类的区别。在多类分类中，每个样本只属于一个类别，通常使用softmax损失函数；而在多标签分类中，每个样本可以有多个相关类别，常采用sigmoid损失函数进行计算。

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

多标签 V/S 多分类

多类分类(Multiclass classification):表示分类任务中有多个类别, 比如对一堆水果图片分类, 它们可能是橘子、苹果、梨等. 多类分类是假设每个样本都被设置了一个且仅有一个标签: 一个水果可以是苹果或者梨, 但是同时不可能是两者

  1. 每个实例仅分配一个类别
  2. 使用softmax系列损失函数
    softmax是张量中向量与向量间的运算。其中labels参数的shape=（None,num_classes），即one-hot表示。输出是shape=（None,）的交叉熵向量，即None个概率向量对的交叉熵构成的向量。

多标签分类(Multilabel classification): 给每个样本一系列的目标标签. 可以想象成一个数据点的各属性不是相互排斥的(一个水果既是苹果又是梨就是相互排斥的), 比如一个文档相关的话题. 一个文本可能被同时认为是宗教、政治、金融或者教育相关话题.
1. 每个实例可以分配多个类别
2. 使用sigmoid系列损失函数
sigmoid是张量中标量与标量间的运算。求的是两点分布B（1,z）和两点分布B（1，

最低0.47元/天 解锁文章

200万优质内容无限畅学
pytorch：多标签分类的损失函数和准确率计算
杂文集
12-04 1万+
1 损失函数 我们先用sklearn生成一个多标签分类数据集。 from sklearn.datasets import make_multilabel_classification X, y = make_multilabel_classification(n_samples=1000, n_features=10, n_classes=
一文理解多标签分类损失函数ASL(Asymmetric Loss)
Thomas_Cai的记忆殿堂
08-14 2万+
一文理解asl，从ce到focal loss到asl
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
元学习革命：MAML - 让AI学会如何学习
最新发布
qq_43664407的博客
06-14 868
"MAML不仅是一个算法，更是实现​​学习本质​​的工程艺术——它证明机器可以通过经验积累学习策略，而不仅限于学习特定知识。​​元学习的三层价值​​：​​资源导引​# 官方实现# 课程推荐- 斯坦福CS330: Deep Multi-Task and Meta Learning- Fast.ai深度学习实战课（Part 2）# 延伸阅读- [MAML原始论文](https://arxiv.org/abs/1703.03400)
多分类问题中，计算每一个类的准确率
m0_65567747的博客
07-26 2072
提供一种计算各类别准确率的方法
multi-label多标签准确率的计算方法
北国觅梦
11-18 2954
sigmoid得到结果之后与正确答案进行点乘操作然后再叠加就是最后的加权准确率 比如正确标签是[0 1 1 0], 预测结果是[0.1 0.8 0.6 0.2], 那么加权后的结果是[0 0.8 0.6 0]，sum([0 0.8 0.6 0])>1，则为1，否则为0。 因为只有每个标签都>0.5才算是正确。 但是如果有一个类是单标签，那就会出现问题了。 ...
图像多标签标注准确率(accuracy)、精确率(precision)、召回率(recall)和F1值计算
muli
06-13 6038
参考链接：https://blog.youkuaiyun.com/weixin_41650458/article/details/82555775 #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Jun 13 21:09:48 2019 @author: muli """ import numpy as np #y_t...
python多标签分类_解决多标签分类问题(包括案例研究)
weixin_35976295的博客
02-03 5490
由于某些原因，回归和分类问题总会引起机器学习领域的大部分关注。多标签分类在数据科学中是一个比较令人头疼的问题。在这篇文章中，我将给你一个直观的解释，说明什么是多标签分类，以及如何解决这个问题。1.多标签分类是什么?让我们来看看下面的图片。如果我问你这幅图中有一栋房子，你会怎样回答?选项为“Yes”或“No”。或者这样问，所有的东西(或标签)与这幅图有什么关系?在这些类型的问题中，我们有一组目标变...
pytorch 多分类问题,计算百分比操作
09-16
总的来说，PyTorch多分类问题的处理涉及预测概率的计算、与one-hot标签的比较以及性能评估指标如准确率的计算。此外，多分类问题的可视化分析，如AUC曲线和macro-average ROC曲线的绘制，可以帮助我们更好地理解模型...
多标签分类问题中的评价指标：准确率，交叉熵代价函数
不好好学通信的人工智能爱好者
10-07 3359
参考博客 https://blog.youkuaiyun.com/qq_36396104/article/details/88647634 博客第一部分讲的平方代价函数的缺点，第二部分即论述为什么神经网络会使用交叉熵代价函数。 其中，讲到了交叉熵在多标签分类问题中的应用，这是我之前博客没有提到的，所以我在这篇博客中进行总结。 首先需要说说，评价分类模型进行分类处理是好是坏的几个指标 模型在处理分类问题时，分...
【深度学习评价指标】多标签分类，如何计算准确率，精确率，召回率，F1-Score？
py今天刷题了吗
08-20 1113
from： https://zhuanlan.zhihu.com/p/420436876
大量多标签多类别分类代码和算法matlab版本
05-05
内含有大量多标签多类别分类算法和对应的代码，包括MIML_LPT,MIMLBoost,MIMLSVM,MIMLfast,KISAR,MIMLKNN,MLKNN,DMIMLSVM,MIMLMISVM等等，部分代码含有对应的文献，学习多类标分类的好资源。
sklearn中多分类问题各指标的计算
01-07
sklearn中api介绍 常用的api有 accuracy_score precision_score recall_score f1_score 分别是: ​ 正确率 ​ 准确率 P ​ 召回率 R ​ f1-score 其具体的计算方式: accuracy_score 只有一种计算方式,就是对所有的预测结果 判对的个数/总数 sklearn具有多种的计算方式,其中每一种模式的说明如下: 具有不同的模式 ‘micro’, ‘macro’, ‘weighted’ ``'binary'``: 只适用于二分类问题,需要pos_label指定以哪一个作为正例
使用sklearn对多分类的每个类别进行指标评价操作
12-17
今天晚上，笔者接到客户的一个需要，那就是：对多分类结果的每个类别进行指标评价，也就是需要输出每个类型的精确率（precision），召回率（recall）以及F1值（F1-score）。 对于这个需求，我们可以用sklearn来解决，方法并没有难，笔者在此仅做记录，供自己以后以及读者参考。 我们模拟的数据如下： y_true = [‘北京’, ‘上海’, ‘成都’, ‘成都’, ‘上海’, ‘北京’, ‘上海’, ‘成都’, ‘北京’, ‘上海’] y_pred = [‘北京’, ‘上海’, ‘成都’, ‘上海’, ‘成都’, ‘成都’, ‘上海’, ‘成都’, ‘北京’, ‘上海’] 其
通用算法（ML,DL）分类判定指标：召回率 Recall、精确度Precision、准确率Accuracy等
dragon的专栏
03-06 6199
1.当用算法实现某一问题后，如何证明算法有效性？如何证明你的算法比别的算法更优。特别是针对二分类问题，下面介绍一下分类标准。2 标准表示分类正确：True Positive：本来是正样例，分类成正样例。True Negative：本来是负样例，分类成负样例。表示分类错误：False Positive ：本来是负样例，分类成正样例，通常叫误报。False Negative：本来是正样例，分类成负样例，
pytorch求多分类的准确率
weixin_38241876的博客
05-27 8299
accracy = np.mean((torch.argmax(out,1)==torch.argmax(y,1)).numpy())
基于混淆矩阵计算多分类的准确率和召回率
热门推荐
腾云
10-24 2万+
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...
mmcls多标签分类实战（三）：多标签分类指标
litt1e的博客
06-25 3741
前面两篇分别介绍了制作多标签数据,resnet多标签分类。接下来，我将介绍多标签分类的指标并分享一些关于多标签分类的细节，即如何操作可以提点。在此之前，想提一下损失函数cross_entropy与binary_cross_entropy的区别 交叉熵的数学公式如上所示，P表示target，Q表示prediction，H就是交叉熵损失。在pytorch中可以调用 F.cross_entropy(input, target)来实现交叉熵损失的计算。其实分解一下就是下面的公式，先把prediction按照最后的
matlab计算多分类准确度
05-15
在 Matlab 中，可以使用 confusionmat 函数来计算多分类的准确度。 假设你有一个真实标签向量 y_true 和一个预测标签向量 y_pred，可以按照以下步骤计算多分类准确度： 1. 使用 confusionmat 函数计算混淆矩阵： ``` C = confusionmat(y_true, y_pred); ``` 2. 计算准确分类的总数： ``` n_correct = sum(diag(C)); ``` 3. 计算总样本数： ``` n_total = sum(sum(C)); ``` 4. 计算多分类准确度： ``` acc = n_correct / n_total; ``` 完整代码示例： ```matlab y_true = [1, 2, 3, 1, 2, 3, 1, 2, 3]; y_pred = [1, 2, 1, 2, 2, 3, 1, 2, 3]; C = confusionmat(y_true, y_pred); n_correct = sum(diag(C)); n_total = sum(sum(C)); acc = n_correct / n_total; disp(acc); ``` 输出结果为： ``` 0.6667 ``` 这说明分类器的准确度为 66.67%。
评论 4
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