Python多分类问题下，微观准确率（micro-PR）和宏观准确率（macro-PR）的计算

最新推荐文章于 2023-10-31 08:37:37 发布
最新推荐文章于 2023-10-31 08:37:37 发布
阅读量579 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： python 分类 开发语言 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/ai52learn/article/details/132657993
本文介绍了在Python中计算多分类问题的微观准确率（Micro-PR）和宏观准确率（Macro-PR）的方法，包括定义、计算步骤及代码实现。通过示例数据展示了如何利用NumPy库进行计算，并强调在实际应用中可能需要根据需求进行调整。

Python多分类问题下，微观准确率（micro-PR）和宏观准确率（macro-PR）的计算

在多分类问题中，评估模型的性能是非常重要的。除了常见的准确率（accuracy）外，还有一些其他指标可以帮助我们更全面地了解模型的表现。其中，微观准确率（micro-PR）和宏观准确率（macro-PR）是两个常用的评估指标。本文将介绍如何计算这两个指标，并提供相应的Python代码实现。

首先，让我们先了解一下微观准确率（micro-PR）和宏观准确率（macro-PR）的定义和计算方法：

  1. 微观准确率（Micro-PR）：
    微观准确率是通过将所有类别的真阳性、假阳性和假阴性加总后计算得到的。它对所有类别的预测结果给予了同等的权重。计算微观准确率的步骤如下：

    • 对于每个类别，计算该类别的真阳性（TP）、假阳性（FP）和假阴性（FN）。
    • 将所有类别的真阳性、假阳性和假阴性加总，得到总的真阳性（Total_TP）、假阳性（Total_FP）和假阴性（Total_FN）。
    • 使用以下公式计算微观准确率：
      Micro-PR = Total_TP / (Total_TP + Total_FP)

  2. 宏观准确率（Macro-PR）：
    宏观准确率是通过计算每个类别的准确率然后取平均值得到的。它对每个类别的预测结果给予了相等的权重。计算宏观准确率的步骤如下：

    • 对于每个类别，计算该类别的准确率（Precision）。
    • 将所有类别的准确率取平均，得到宏观准确率。
    • 使用以下公式计算宏观准
了解本专栏 订阅专栏 解锁全文
Python多分类问题下，micro-PR计算以及macro-PR计算
data+scenario+science+insight
09-22 692
Python多分类问题下，micro-PR计算以及macro-PR计算 #二分类的Precision和Recall计算公式 在普通的二分类问题中通过混淆矩阵可以轻松地计算出来Precison和Recall值。 多分类下的precision如和计算？因为我们无法直接套用二分类的公式进行计算。 #多分类下的Macro Precision和Recall值计算 在macro情况下计算Precision和Recall使用的全局的混淆矩阵。 此处也precision的计算为例进行演示，rec
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
【分类模型评价】宏平均（macro avg）、微平均(micro avg)和加权平均(weighted avg)
热门推荐
Joker 007的博客
02-14 2万+
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)
pytorch神经网络多分类任务计算准确率和Macro-
qq_40345954的博客
05-18 1869
class_num=5 # 分类数 confusion_matrix = torchnet.meter.ConfusionMeter(class_num) # 使用torchnet包创建5分类混淆矩阵 # 每运行完一个batch 迭代混淆矩阵 for ii, (val_input, label) in enumerate(dataloader): val_input = val_input.to(opt.device) score = model(val_input) co.
宏精准率 召回率 F1
qq_44241881的博客
09-22 981
假设一个班级有100个学生，其中男生70人，女生30人。如下图，蓝色矩形表示男生，橙色矩形表示女生。 又假设，我们不知道这些学生的性别，只知道他们的身高和体重。我们有一个程序(分类器)，这个程序可以通过分析每个学生的身高和体重，对这100个学生的性别分别进行预测。最后的预测结果为，60人为男生，40人为女生，如下图。 TP：实际为男生，预测为男生； FP：实际为女生，预测为男生； FN：实际为男生，预测为女生； TN：实际为女生，预测为女生； 准确率（Accuracy）：正确分类的样本个数占总样本个数，
F1-Score与精确率和召回率：掌握评估模型的平衡术
在机器学习和数据科学领域，分类问题尤为常见，而评估指标则是评估分类模型准确性的标尺。这些指标能够帮助我们判断模型是否能够正确地将数据分类，并提供改进模型的依据。在接下来的章节中，我们将详细探讨精确率和...
盘一盘 Python 系列 9 - Scikit-Plot
weixin_38753422的博客
06-11 690
全文共 17278 字，107 幅图，预计阅读时间 66 分钟。文末有彩蛋！0引言本文是 Python 系列的第十二篇Python 入门篇 (上)Python 入门篇 (...
分类评估指标及在mmcls中的源码部分
jinxianwei1999的博客
11-12 1049
mmlab test.py文件模型评估部分的拓展
F1-Score：平衡精确率与召回率的艺术与科学
![F1-Score：平衡精确率与召回率的...它在二分类问题中特别重要，因为它可以同时考虑预测的准确性和覆盖的完整性。 精确率衡量了预测为正的样本中实际为正的比例，召回率则衡量了实际为正的样本中被正确预测的比例。由
二分类问题的micro-F1 score（f值）和Accuracy（准确度）
weixin_44839047的博客
01-11 4644
直接上结论： 二分类的micro-F1 score和Accuracy的值相等 关于 F score 和micro-F score以及macro-F score可以参考：参考文 对于二分类问题（A类和B类），某分类器判断结果为 判断为A类 判断为B类 实际为A类 a b 实际为B类 c d 为了计算 micro-F1 score，计算整体的TP，FP，FN。 对于A类来说 TPA = a ，对于B类来说 TPB = d ， 同理可得 FPA= c ，FPB = b， 以及FNA= b
什么是micro-F1和macro-F1 (顺便谈谈精准率与召回率)
qq_38356492的博客
02-04 1318
什么是micro-F1和macro-F1 (顺便谈谈精准率与召回率) TP: true positive, 预测和实际相同；（预测和真实都是A） FP: false positive, 预测为正，实际为负；（预测是A，真实不是A） FN: false negative, 预测为负，实际为正；(真实是A，但没有预测成A) 例如： 预测 真实 A A A A B A C A B B B B C B B C C C 可知对于A、B、C类，有： TP F
02_混淆矩阵、准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure) +Roc曲线和PR曲线+sklearn中分类模型评估API+ 自己补充整理
涂作权的博客
04-09 5919
一、准确率、精确率、召回率和F值是选出目标的重要评价指标。不妨先看看这些指标的定义： (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负...
accuracy、precision、recall、宏平均、微平均
fly_Xiaoma的博客
10-14 2042
1、accuracy、precision、recall TP:实际为正，且划分为正的样本数，真正数。 FP:实际为负，且划分为正的样本数，假正数。 TN:实际为负，且划分为负的样本数，真假数。 FN:实际为正，且划分为负的样本数，假负数 accuracy：准确率，预测正确的结果占总数的比例 (TP+TN)/(TP+FP+TN+FN) precision：精确率，预测为正且正确的样本...
机器学习和深度学习分类问题的几个指标:准确率、精准率、召回率、F1-score、Macro-F1、Micro-F1
奥古斯都
03-01 4964
目录 1、Accuracy——准确率 2、Precision——精准率 3、Recall——召回率 4、进一步探索召回率和准确率 5、F1-Score 6、Micro-F1和Macro-F1 在说这个几个指标之前有一个非常重要的东西叫做混淆矩阵： 我们把上述提到的这个表格称作为混淆矩阵，那么一般使用混淆矩阵干嘛呢？计算召回率、计算准确率、计算精准率。接下来分别介绍这三个指标。 TP：实际是正样本预测也是正样本；TN：预测是负样本实际也是负样本；FN：实际上是正要根本预测为负样本；FP.
从宏观和微观的角度计算分类器的精确度
weixin_44943389的博客
10-31 211
是用来计算分类器的精确度（Precision）的函数。在这里，你使用了两种不同的。你可以根据你的分类任务和关注点选择适当的平均类型来评估分类器的性能。这两者之间的区别在于如何计算多类别分类任务的精确度。
【知识积累】准确率，精确率，召回率，F1值
GW_Krystal的博客
09-04 696
准确率，精确率，召回率，F1值的简单易懂的介绍；多分类的情况；宏观和围观的情况。
理解accuracy/precision_score、micro/macro
morein2008的专栏
10-23 3403
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....
模型评估指标micro avg、macro avg和weighted avg的计算方式及区别
studyvcmfc的专栏
10-20 1461
模型评估指标micro avg、macro avg和weighted avg的计算方式及区别-技术圈
python 中，sklearn包下的f1_score、precision、recall使用方法，Accuracy、Precision、Recall和F1-score公式，TP、FP、TN、FN的概念
mzm123321的博客
05-11 1万+
sklearn.metrics.f1_score官网链接sklearn.metrics.f1_score — scikit-learn 1.0.2 documentation sklearn.metrics.f1_score(y_true,y_pred,*,labels=None,pos_label=1, average='binary',sample_weight=None,zero_division='warn') 重要参数说明： y_true：一维数组，或标签指示数组/稀疏矩阵 .......
python中绘制多分类问题的macro-ROC曲线，计算AUC
最新发布
11-01
在Python中，如果你需要绘制一个多分类问题的宏平均（Macro-average）ROC曲线并计算AUC，你需要稍作调整之前的单分类做法，因为宏观平均会分别计算每个类别的ROC曲线然后取平均值。以下是步骤： 首先，导入必要的库...
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