[分类问题的评估指标] Macro-F1和Micro-F1

最新推荐文章于 2025-06-11 19:54:29 发布
原创 最新推荐文章于 2025-06-11 19:54:29 发布 · 1.1w 阅读 · 11 ·
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：

#评估指标 #Macro_F1 #Micro_F1

本文介绍了分类问题的评估指标，特别是Macro-F1和Micro-F1的区别。Macro-F1对所有类别平等对待，易受稀有类别影响，而Micro-F1更关注整体性能，可能受常见类别主导。

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

分类问题的评估指标

在利用K_means 、LR、SVM 分类，评估Embedding 结果的好坏时，遇到如下代码： 不理解当中 micro_f1，macro_f1的含义，开此篇学习记录。 
    def classification(x, y, method='XGBoost'):
        x_train, x_valid, y_train, y_valid = train_test_split(x
最低0.47元/天 解锁文章

200万优质内容无限畅学
micro f1 和macro f1的异同
强化学习曾小健
05-27 1719
权重分配不同:micro f1对所有样本赋予相同权重,macro f1对每个类别赋予相同权重。应用场景不同:micro f1适用于类别数量差异不大的情况,macro f1更适用于不平衡数据集。数值大小不同:macro f1通常比micro f1大,因为它不受大类别的主导影响。此外,还有一种weighted f1,它根据每个类别的样本数量进行加权平均。在类别分布极度不平衡时,可以考虑使用weighted f1。
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 4899
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.
分类问题的评估指标
Leoch007的博客
06-13 1231
作者版权：林子 Leoch007 欢迎转载，注明出处 分类的评估指标有很多，这里考虑如下几个：Precision，Recall，F1，macro-F1，micro-F1 预测/真实 1 0 1 TP FP 0 FN TN Positive/Negative 表示预测的正负 True/False 表示预测是否正确 P...
Micro-F1 与 Macro-F1
weixin_44676142的博客
11-05 2236
1. Precision和Recall的计算 名称 含义 TP(True Positive) 真阳性：预测为正，实际为正 FP(False Positive) 假阳性：预测为正，实际为负 TN(True Negative) 真阴性：预测为负，实际为负 FN(False Negative) 假阴性：预测为负，实际为正 （1）Precision（精确率）：被认为正的样本中，实际上有多少是正的。 Precision=TPTP+FP.{\rm Precision}=\frac {\r
认识RNN-循环神经网络
superfreeman的专栏
06-11 1334
摘要 循环神经网络（RNN）是一种专门处理序列数据的神经网络，通过引入时间维度和记忆机制捕捉序列元素间的依赖关系。其核心结构包括隐藏状态传递和展开计算，使用BPTT算法进行训练，但面临梯度消失/爆炸问题。改进方案包括双向RNN、深度RNN及门控结构（LSTM/GRU）。RNN广泛应用于自然语言处理、时间序列分析等领域，但存在长期依赖、计算效率等挑战。示例代码展示了PyTorch实现简单RNN进行时间序列预测的过程。
【多分类指标-Macro-F1 与Micro-F1】
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
10-09 9262
转载 https://blog.youkuaiyun.com/lyb3b3b/article/details/84819931 还可参考 https://www.cnblogs.com/techengin/p/8962024.html https://zhuanlan.zhihu.com/p/64315175 https://blog.youkuaiyun.com/qq_43190189/article/details/105778058 https://blog.youkuaiyun.com/sinat_28576553/article/d
机器学习学习笔记（4）——macro-F1与micro-F1
LiQZ的博客
12-30 3653
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.
多标签评价指标--Macro-F1、Micro-F1
niutingbaby的博客
06-24 8333
对于多标签分类的评价指标比较复杂，一般对于n个二分类混淆矩阵要引入宏平均、微平均、权重评价即Macro-average、Micro-Average，Weighted-Average，近期正好应用，所以就总结一下。 Macro-averaging：指所有类别的每一个统计指标值的算数平均值，则对应的macro F1为多个F1值的算数平均数。 Micro-averaging：将各个混淆矩阵对应元素平均，得到TP、FP、TN、FN，然后计算相应的平均值。 weighted-F1：在样本不平衡的时候,有时我们
机器学习指标2 micro f1和macro f1
强化学习曾小健
05-21 2403
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。
weighted-f1和micro-f1的区别
weixin_56533314的博客
02-27 864
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。
分类问题的评价指标（Precision、Recall、Accuracy、F1-Score、Micro-F1、Macro-F1）以及混淆矩阵、ROC曲线
少年龙龙的博客
05-11 1万+
文章目录一、四个基本概念 TP、FP、TN、FN二、精确率（precision）、召回率（recall）、准确率（accuracy）三、F1-Score（F1分数）四、宏平均 Macro-F1 、微平均 Micro-F1、加权平均 Weighted avg五、混淆矩阵（Confusion Matrix）六、ROC 曲线和 AUC（Area Under the Curve，曲线下面积） 一、四个基本概念 TP、FP、TN、FN 真阳性：预测为正，实际为正。把正样本成功预测为正。 TP——True Posit
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。  
#机器学习 Micro-F1和Macro-F1详解
热门推荐
往深度学习的深度广度冲！
04-26 7万+
micro-F1和macro-F1详解 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。.
​macro-F1（宏平均F1）​和micro-F1（微平均F1）
编程小栈
03-26 1559
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）。
Micro-F1和Macro-F1详解
qq_43391414的博客
08-07 4257
请先知道什么叫做准确率P和召回率R。 文章目录例子micro-F1macro-F10类别1类别代码检查 例子 micro-F1 解释： 答对了4个，答错了了1个。 macro-F1 这个更加复杂，需要分类别讨论F1值，然后取平均值。 0类别 解释： 只考虑0类别，其答对了3个，但是多打了一个0。 1类别 解释： 只考虑1类别，其只答了一次，但是答对了，漏答了一次。 代码检查 ...
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.
ML: F1score与Macro-F1 score
sevune的博客
02-01 1561
F1值是一种用于评估二分类模型性能的指标，结合了模型的精确度（Precision）和召回率（Recall）。F1值是这两个指标的调和平均数。PrecisionTPFPTP​RecallTPFNTP​F12⋅PrecisionRecallPrecision⋅Recall​F1值对于那些需要平衡精确度和召回率的任务非常有用，例如医学诊断、垃圾邮件检测等。
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.
手推多分类precision(精确率)、recall(召回率)、F1分数
芒果不茫的博客
10-07 7052
按照样例手推precision、recall、F1分数，以及多分类时macro、micro、weighted的计算方法，并给出代码实现验证
请问macro-recall、macro-precision、macro-f1和recall、precision、f1的区别
最新发布
08-06
根据引用[3]，在多分类任务中，micro-precision, micro-recall, micro-F1和准确率(accuracy)是相等的。 4. **加权平均（Weighted-average）**： 加权平均是给每个类别的指标赋予一个权重（通常为该类别的样本数量...
评论 1
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