混淆矩阵、召回率、精确率、准确率、宏平均F1和微平均F1

最新推荐文章于 2025-10-23 14:29:00 发布
原创 最新推荐文章于 2025-10-23 14:29:00 发布 · 2.4k 阅读 · 10 ·
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。
文章标签：

#深度学习 #机器学习 #自然语言处理 #神经网络

本文深入探讨了机器学习中的评估指标，包括混淆矩阵的构成及其重要元素：真阳性、真阴性、假阳性和假阴性。接着介绍了准确率、精确率、召回率的概念，它们分别衡量模型预测的整体正确率、真正例在预测正例中的比例以及实际正例被正确识别的比例。F1score作为精确率和召回率的调和平均数，用于平衡两者之间的关系。最后，讨论了多分类问题下的评估方式，如宏平均和微平均的计算方法。

1 混淆矩阵

 预测为真预测为假
类别为真正确预测成真（True Positive，TP）错误预测为假（False Nagetive，FN）
类别为假错误预测为真（False Positive，FP）正确预测为假（True　Nagetive，TN）

２准确率、精确率、召回率、F1 score

准确率:模型预测正确的个数所占总样本的比例

accuracy=\frac{TP+TN}{TP+FP+TN+FN}

精确率:模型预测为真的样本中,真正的正样本所占的比例

precision=\frac{TP}{TP+FP}

召回率:样本中预测的类别和应该预测成该类别所占的比例

recall=\frac{TP}{TP+FN}

F1 score:精确率和召回率是此消彼长的关系,F1 score则是二者的平衡指标

F1=\frac{2*precision*recall}{precision+recall}

3 多分类下的指标

 类别1类别2...total
正确预测成真（True Positive，TP，该类别预测为该类别）TP1TP2...TPtotal=TP1+TP2+...
错误预测为假（False Nagetive，FN，该类别预测为非该类别）FN1FN2...FNtotal=FN1+FN2+...
错误预测为真（False Positive，FP，非该类别预测为该类别）FP1FP2...FPtotal=FP1+FP2+...
正确预测为假（True　Nagetive，TN，非该类别预测为非该类别）TN1TN2...TNtotal=TN1+TN2+...
 P1,R1,F1P2,R2,F2...Ptotal,Rtotal,F1total

准确率:

accuracy=\frac{TP_{total}+TN_{total}}{TP_{total}+FP_{total}+TN_{total}+FN_{total}}

宏平均（macro average）：

macro\ p = average(p_1 + p_2 +...p_n)

macro\ r = average(r_1 + r_2 +...r_n)

macro\ f1 = \frac{2*macro\ p *macro\ r}{macro\ p+macro\ r}

微平均（micro average）：

micro\ p = \frac{average(TP_1 + TP_2+...TP_n))}{average(TP_1 + TP_2+...TP_n) + average(FP_1 + FP_2+...FP_n)}

micro\ r = \frac{average(TP_1 + TP_2+...TP_n))}{average(TP_1 + TP_2+...TP_n) + average(FN_1 + FN_2+...FN_n)}

micro\ f1 = \frac{2*micro\ p*micro\ r}{micro\ p+micro\ r}

f1 score sklearn中 F1-micro 与 F1-macro区别和计算原理
jacke121的专栏
02-08 4586
sklearn中 F1-micro 与 F1-macro区别和计算原理
【机器学习—评估指标】混淆矩阵、准确率、精确率、召回率、F1分数、ROC曲线和AUC
weixin_51375278的博客
12-30 6252
机器学习评价指标是衡量模型性能的关键工具。本文介绍了常见指标及其计算方法：1.混淆矩阵展示分类预测结果分布，包含TP、TN、FP、FN四个基础指标；2.准确率反映整体预测正确率；3.精确率关注预测正例的准确性；4.召回率衡量正例检出能力；5.F1分数综合平衡精确率和召回率；6.ROC曲线通过TPR与FPR的权衡关系评估模型性能，AUC值量化区分能力。文章详细说明了各指标的定义、计算公式、适用场景及局限性，并通过Python代码示例演示了具体实现方法，特别对ROC曲线和AUC的计算原理进行了深入解析。
混淆矩阵——评估指标
kkkaiyu的博客
12-28 1350
承接上文，本文通过混淆矩阵获取几个常见的评估指标。使用sklearn、tensorflow和手搓混淆矩阵这3种方式进行指标的计算 🦆🦆🦆。
【混淆矩阵】Confusion Matrix！定量评价的基础！如何计算全面、准确的定量指标去衡量模型分类的好坏？？
985小水博的摸鱼日常
09-14 786
【混淆矩阵】Confusion Matrix！定量评价的基础！学习笔记
宏平均和微平均分不清？
最新发布
2401_83260796的博客
10-23 361
宏平均和微平均是评估多分类模型性能的两种方法。宏平均对每个类别单独计算指标后取均值，平等对待各类别，适合评估模型在小样本类别的表现；微平均则汇总所有类别的预测结果统一计算，受大样本类别影响更大，反映整体性能。两者的核心差异在于类别权重的处理方式：宏平均赋予各类别相同权重，微平均则让样本量大的类别更具影响力。
混淆矩阵评价指标_讲解几个数据分析的常用指标
weixin_39618574的博客
12-16 2623
评价指标是评判数据表现的衡量标准，它是数据分析中非常重要的部分，也是产品经理必须掌握的重点内容。不同的数分任务采用不同的评价指标，对于同一种任务在不同场景下也会采用不同的评价指标。例如在检测垃圾邮件这个场景中，这是一个典型的二分类问题，所以可以用精确率和AUC曲线这两个指标判断模型的效果；在人脸识别场景中，使用误识率、拒识率和ROC曲线这三个指标评判模型的效果。不同指标的着重点不一样，一个指标在不...
混淆矩阵 评价指标
llf000000的博客
04-08 1065
【代码】论文复现 混淆矩阵。
机器学习模型度量指标（混淆矩阵、准确率、精确率、召回率、F1分数、ROC曲线、AUC、平均精度均值）
2302_78558540的博客
05-24 1300
用于展示多分类模型预测结果与真实标签的对应关系矩阵，直观反映各类别的预测正确 / 错误情况。
【详细介绍系列之混淆矩阵、精确率、召回率、F1分数】
2301_77444219的博客
06-27 3552
精确率（Precision）是指模型预测为正例的样本中，实际为正例的比例。它衡量了模型预测为正例的可靠性。预测值为1的时候，有多少个被预测对了?（或者说预测值为0的时候，有多少个被预测对了?精确率是混淆矩阵中的一个重要指标，用于评估模型在预测为正例的样本中，实际为正例的比例。通过精确率，我们可以了解模型预测为正例的可靠性，从而判断模型的性能。然而，在评估模型性能时，还需要综合考虑其他指标，以获得更全面的评估结果。
朴素贝叶斯 混淆矩阵，2分类下的混淆矩阵，精确率与召回率，F1-score
ck784101777的博客
07-25 8253
目录 1.混淆矩阵 2.精确率(Precision)与召回率(Recall) 3.F1-score 4.sklearn API接口 参考文档 1.混淆矩阵 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 在分类任务中，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵，以下是二分类的混淆矩阵： 假设有一组数据集，一共有66个样本，三个目标值，猫、狗、猪。 混淆矩阵为： 关于这个混淆矩阵，从真实值为猫这一列开始看，代.
精选资源
分类：准确率、召回率、精确率和相关指标.pdf
05-14
混淆矩阵不仅有助于计算准确率、召回率和精确率等指标，还可以帮助识别分类问题中可能出现的偏斜情况。 准确率（Accuracy）是分类模型正确预测样本数量与总样本数量之比。它反映了分类器预测正确的频率。公式为：...
ksql 数量大于2_机器学习系列篇2-模型的评价机制
weixin_31281003的博客
11-26 171
工作中很多时候我们需要预测一个事件发生的概率或者事件所属类别。比如你申请信用卡时候，银行会预测你将来是否逾期不还钱，或者不还钱的概率。这里我们讨论一下，一旦有了这种模型，怎么去评价一个模型的效果。机器学习模型可以广泛的应用在不同的领域，比如预测房价或者股票，预测图片中的动物属于哪一种动物，也可以帮助机器人优化行走路线。在这里我们着重强调在机器学习领域常见的一种应用，二分类模型，比如预测客户是否会逾...
2019.6.3机器学习性能评价指标，混淆矩阵
qq_40258282的博客
06-03 462
转自： https://blog.youkuaiyun.com/songhao22/article/details/75207707 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展...
混淆矩阵及常用评价指标介绍
weixin_41391619的博客
04-29 2752
混淆矩阵及常用评价指标介绍,roc曲线绘制，实例介绍，超详细代码
微平均micro-F1,宏平均macro-F2计算方法
liuweizj12的博客
07-09 6726
前言 F1是我们常用的衡量指标,不知道有多少同学和我一样,对micro macro一直似懂非懂,于是今天手动算了一下,分享给大家~ 相信大家看了就明白了 本文的前提是,读者已经懂了precision和recall的基本概念,不清楚的同学可以先去看一下其他的文章~ 差准率(precision)和查全率(recall) 对于二分类来说,可以将标签分为正类和负类,如下图 真实标签 ＼ 预测标签...
精确度/召回率/F1值/Micro-F1和Macro-F1的理解
黄佳俊的博客
12-02 6557
如下图所示，假设有若干张图片，其中12张是狗的图片其余是猫的图片．现在利用程序去识别狗的图片，结果在识别出的8张图片中有5张是狗的图片，3张是猫的图片（属于误报）． 图中，实心小圆代表狗的图片，虚心小圆代表猫的图片，圆形区域代表识别结果． 则该程序的精度precision＝5/8，召回率recall＝5/12。 当一个搜索引擎返回30个页面时，只有20页是相关的，而没有返回40个额外的相关页面，其精确度为20/30 = 2/3，而其召回率为20/60 = 1/3。在这种情况下，精确度是“搜索结果有多
​macro-F1（宏平均F1）​和micro-F1（微平均F1）
编程小栈
03-26 2244
在机器学习中，​macro-F1（宏平均F1）​和micro-F1（微平均F1）​是两种评估多分类任务性能的指标。它们的核心区别在于对各类别的权重分配方式不同，适用于不同的场景需求。用Macro-F1： 当类别不平衡​（如医疗诊断中的罕见病），且需要平等评估每个类别的表现时。 ​用Micro-F1： 当类别相对平衡​（如新闻分类），且更关注整体的准确率（尤其是大类样本的预测效果）。
【机器学习】Macro-F1（宏平均 F1）是什么？
weixin_44174312的博客
08-18 1036
摘要： Macro-F1是一种用于评估分类模型性能的指标，尤其适用于样本不均衡的场景。它通过计算每个类别的F1分数并取等权平均，确保小类和大类同等重要，避免被大类样本掩盖。公式上，Macro-F1是各类别F1的平均值（$K$为类别数）。在二分类和多分类任务中，Macro-F1能全面反映模型对稀有类别的识别能力。与其他指标（如Weighted-F1和Micro-F1）相比，Macro-F1更公平，适合作为主报告指标。实际应用中，可通过脚本输出的macro_f1列或分类报告获取结果，并结合混淆矩阵分析小类漏检问
宏平均（macro avg）、微平均（micro avg）、加权平均（weighted avg)、精度（precision）、召回率recall、f1score、confusion matrix
咖乐部
11-04 9281
分类任务： 宏平均：对类的平均。有两类，直接 （0.24+0.73）/2 = 0.45 微平均：对每个样本的平均。样本总数有7535+22462个 ：0.24*7535+0.73*22462 加权平均：考虑了权重的宏平均。0.24*（7535/29997）+0.73*（22462/29997） 分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）：https://blog.youkuaiyun.com/sinat_28576553/ar..
分类算法详解：混淆矩阵与准确率召回率分析
最后，该资料结合Python代码示例，演示了如何使用Scikit-learn库构建分类模型，并计算混淆矩阵、准确率、精确率、召回率及F1分数等指标，使理论知识与实践操作紧密结合，极大提升了学习者的动手能力和理解深度。...
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