分类问题的几个指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）

最新推荐文章于 2025-06-15 20:57:07 发布

iiZhangJun

最新推荐文章于 2025-06-15 20:57:07 发布

阅读量2.4k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Python

本文链接：https://blog.youkuaiyun.com/qq_37942706/article/details/83899518

本文介绍了分类问题中的关键评估指标，包括TP、FP、FN和TN的概念，并详细解析了精确率(Precision)、召回率(Recall)、F1-Score的计算方式，以及Micro-F1和Macro-F1的区别。通过混淆矩阵，展示了如何计算这些指标，并讨论了它们在衡量模型性能时的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

混肴矩阵
True Positive(TP)	False Negative(FN)
False Positive(FP)	False Positive(FP)

TP、True Positive 真阳性：预测为正，实际也为正

FP、False Positive 假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测与负、实际为正

TN、True Negative 真阴性：预测为负、实际也为负

以分类问题为例：

真阳性：预测为正，实际也为正，指预测正确，是哪个类就被分到哪个类，对类A而言，TP的个数为2，类B的TP个数为2，类C的TP的个数为1

假阳性：预测为正，实际为负，指预测为某个类，但实际不是。对类A而言，FP的个数为0，类B的FP个数为2，类C的FP

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

iiZhangJun

关注关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

混淆矩阵与多分类混淆矩阵概念详解及其应用求 Precision F1-Score Recall

专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。

05-21

2339

混淆矩阵，顾名思义，是一个由数字组成的矩阵，它告诉我们模型在哪些地方会出现混淆。它是分类模型预测性能的类别分布，也就是说，混淆矩阵是将预测结果映射到数据所属原始类别的一种有组织的方式。这也意味着，只有在已知输出分布的情况下，即在监督学习框架中，才能使用混淆矩阵。混淆矩阵不仅可以计算分类器的准确度（无论是全局准确度还是分类准确度），还有助于计算开发人员通常用来评估模型的其他重要指标。

查准率、召回率、敏感性、特异性和F1-score的计算及Matlab实现

mmm305658979的博客

04-28

1万+

查准率(Precision)：所有诊断为患病（1）样本中实际为患病的比率。召回率(Recall)：所有患病样本中被发现并诊断为患病的比率。查准率 = TP/(TP+FP) 召回率 = TP/P = TP/(TP+FN) 敏感性 = TP/P =TP/(TP+FN) 特异性 = TN/N = TN/(TN+FP) F1-Score = 2*Precision*Recall/(P...

参与评论您还未登录，请先登录后发表或查看评论

f1-score

weixin_41588812的博客

09-30

1750

F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准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. ...

Micro-F1分数（多选）

最新发布

weixin_40566713的博客

06-15

669

Micro-F1分数（多选）

matlab用confusionmat计算SE, SP, F1 score

蓝羽飞鸟的博客

07-21

7210

matlab里有个confusionmat函数接口是这样的 M = confusionmat(true_label,predict_label) M计算出来是下面这样比如第一个class airplane吧，923意思是true class是airplane, 而我们预测的label也是airplane的个数而第一行第二列的4就表示true class是airplane, 而我们预测的label是automobile的个数是4 那么就相当于对角线上蓝色背景的都是预测对的如果是2分类的情况，tru

matlab 召回率,查准率、召回率、敏感性、特異性和F1-score的計算及Matlab實現

weixin_42298378的博客

03-19

2648

查准率(Precision)：所有診斷為患病(1)樣本中實際為患病的比率。召回率(Recall)：所有患病樣本中被發現並診斷為患病的比率。查准率 = TP/(TP+FP)召回率 = TP/P = TP/(TP+FN)敏感性 = TP/P =TP/(TP+FN)特異性 = TN/N = TN/(TN+FP)F1-Score = 2*Precision*Recall/(Precision+Reca...

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

分类问题的几个评价指标（Precision、Recall、F1-Score、Micro-F1、Macro-F1）

THEAQING

05-10

12万+

四个基本概念 TP、True Positive 真阳性：预测为正，实际也为正 FP、False Positive 假阳性：预测为正，实际为负 FN、False Negative 假阴性：预测与负、实际为正 TN、True Negative 真阴性：预测为负、实际也为负。【一致判真假，预测判阴阳。】以分类问题为例：（word公式为什么粘不过来？？头疼。）...

关系抽取RE任务中的metrics：Precision、Recall、F1-score

每天八杯水的博客

12-08

1244

最近在研究关系抽取任务，接下来会对抽取结果进行数据分析，需要使用到这3个评估指标，在此记录他们的计算方法，有没有代码等问题。精确度 (Precision, P)、召回率 (Recall, R) 和 F1-score，这三个指标是用来衡量模型在关系抽取任务中的性能的。

机器学习中的F1-score

热门推荐

Yucen的博客

09-13

25万+

一、什么是F1-score F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为： G...

连载｜模型评估与过拟合（下）

二哥为啥不像程序员？

03-24

2637

模型评估与过拟合性能度量我们在进行对学习器泛化能力评估的同时，不仅需要有效的评估方法，还需要一个好的衡量模型泛化能力的评价标准。我们先来学习一下在分类算法中经常用到的模型评价指标。准确率（Accuracy）分类正确的样本个数占总样本个数的比例。 Accuracy=ncorrectntotalAccuracy=\frac{n_{correct}}{n_{total}}Accuracy=nto...

Matlab按F1卡死帮助无法使用解决办法

开飞机的小毛驴儿

12-02

2662

转载自：https://blog.youkuaiyun.com/u012366767/article/details/81561862 命令行输入以下代码： com.mathworks.mlwidgets.html.HtmlComponentFactory.setDefaultType('HTMLPANEL') 亲测可用！ ...

多标签分类的 F1_score

颹蕭蕭

10-13

4864

micro， macro

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...

【分类问题中模型的性能度量(一)】错误率、精度、查准率、查全率、F1详细讲解

好想成为大佬啊的博客

05-05

7540

本文主要介绍了分类问题模型的一些常用性能度量，概念梳理清晰，并且介绍了自己的记忆技巧帮助大家记忆。

多分类f1分数_机器学习之分类模型评估总结

weixin_27027459的博客

12-30

2226

一、概述在机器学习模型搭建好之后，需要对模型进行评估，针对不同的算法模型有不同的评估方法，比如：分类算法、回归算法、聚类算法等，本文主要是针对分类算法的模型评估方法进行总结整理，便于自己对评估方法的进一步理解和随时查阅。二、详细说明在介绍分类评估方法之前，首先介绍一个比较重要的概念：混淆矩阵，后续的评估方法都是在此基础之上定义的，对于分类模型而言（这里仅以最简单的二分类为例，假设只有0和1两类），...

分类问题中的评价指标（F1-Score、Micro-F1、Macro-F1）

qq_50595984的博客

10-22

2303

分类问题的评价指标

pytorch多分类问题注意事项以及分类指标

weixin_45703331的博客

10-03

1720

多分类问题的注意事项及分类指标

[[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729'], [' precision recall f1-score support 0 0.96 0.96 0.96 10762 1 0.91 0.96 0.93 9339 2 0.91 0.62 0.74 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.93 0.85 0.88 21729weighted avg 0.93 0.93 0.93 21729 samples avg 0.93 0.93 0.93 21729']]怎么调用[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 0.93 0.92 21729 samples avg 0.93 0.93 0.93 21729']

06-03

report_list = [[' precision recall f1-score support 0 0.95 0.96 0.95 10762 1 0.91 0.95 0.93 9339 2 0.91 0.58 0.71 1628 micro avg 0.93 0.93 0.93 21729 macro avg 0.92 0.83 0.86 21729weighted avg 0.93 ...