多标签分类的评价指标

最新推荐文章于 2023-11-01 19:44:29 发布
最新推荐文章于 2023-11-01 19:44:29 发布
阅读量4.6k 收藏 4
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 图像
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/s1162276945/article/details/80763397

多标签图像分类 (Multi-label Image Classification)
HCP: A Flexible CNN Framework for Multi-Label Image Classification

https://blog.youkuaiyun.com/zhangjunhit/article/details/72818610
https://111qqz.com/2018/02/多标签图像分类任务的评价方法-map/
Keras 实现
https://blog.youkuaiyun.com/sinat_26917383/article/details/72861152

多标签文本分类

https://blog.youkuaiyun.com/wjj5881005/article/details/53389833
macro-averaged and micro-averaged
https://sanmisanfan.github.io/2017/08/16/mulitlable-classification/

多标签的多分类区别

多类分类问题：有多个类别，但每个实例只分配一个类别。
多标签分类问题：有多个类别，且每个实例可以使用多个类别。比如，一部电影被归类为喜剧和浪漫类型。每部电影都有可能被分成一个或多个不同的类别，这些类型的问题被称为多标签分类问题。

简而言之，通过单个实例所能使用的类别数(标签数)来区分这两个问题。

http://www.atyun.com/5376.html

多标签评价指标
qq_69515036的博客
01-09 718
对多标签算法评价指标的梳理
二分类、多分类、多标签分类的评价指标
LiuRuiaby35646的博客
07-29 7291
每个样本只能属于两个类别中的一个每个样本只能属于多个类别中的一个。准确率是正确分类的样本数占总样本数的比例。精确率是模型正确预测的正类样本数占所有预测为正类的样本数的比例。召回率是模型正确预测的正类样本数占所有实际为正类的样本数的比例。F1分数是精确率和召回率的调和平均数。混淆矩阵是一个表格，用于描述模型预测结果的表现。ROC AUC 是 ROC 曲线下的面积，衡量模型的分类性能分类报告汇总了精确率、召回率和 F1 分数等指标。
多分类评估指标
woshisunwen的博客
12-13 1万+
多分类指标的情况 Softmax 二分类和多分类其实没有多少区别。用的公式仍然是y=wx + b。 但有一个非常大的区别是他们用的激活函数是不同的。 逻辑回归用的是sigmoid，这个激活函数的除了给函数增加非线性之外还会把最后的预测值转换成在【0,1】中的数据值。也就是预测值是0<y<1。 我们可以把最后的这个预测值当做是一个预测为正例的概率。在进行模型应用的时候我们会设置一个阈...
多标签分类场景下的模型评估指标
吃果冻不吐果冻皮
10-21 1755
前言 指标在机器学习或深度学习领域扮演着相当重要的角色。我们从根据问题选择指标开始，以了解特定模型的基线分数。 在本博客中，我们研究了多标签分类的最佳和最常用的指标，以及它们的不同之处。 接下来，让我们深入了解什么是多标签分类，以防万一您需要它。 如果我们有关于狗的特征的数据，我们可以预测它属于哪个品种和宠物类别。 在物体检测的情况下，多标签分类为我们提供了图像中所有对象的列表，如下图所示。我们可以看到，分类器检测到图像中的 3 个对象。 如果训练对象的总数为 4 个，则可以将其表示成如下列表[1 0 1
多标签分类 评价指标_多标签分类指标
weixin_26716079的博客
08-30 5180
多标签分类 评价指标Metrics play quite an important role in the field of Machine Learning or Deep Learning. We start the problems with metric selection as to know the baseline score of a particular model. In th...
python多标签分类的评价指标_多分类多标签模型的评估方式（定义+numpy代码实现）...
weixin_39708737的博客
02-03 2893
一、Multi-Class Multi-Label问题定义所谓多分类(Multi-Class)是区别于二分类的一个概念，在二分类问题当中，数据的标签只是0，1二值类型，比如“是否”是一只狗，“是否”患病。而多分类则对应于更多的类别，比如判断物体是猫，狗，鸟，兔......判断病人患的是A，B，C，D中的某一种病。值得注意的是，多分类问题中常常只有一个类别是正确的。什么是多标签(Multi-Labe...
多标签分类评价指标HL，RL，OE， Cov的计算及Python实现
u012841977的博客
05-24 6331
AP的计算见本人另一篇博客 HL，RL， OE， Cov是多标签分类的评价指标，通常越小表明模型越好。 一，HL计算 公式： 大意是，有N个样本的数据集，对每个样本的标签集部分，计算真实标签与预测标签部分有多少个不同的部分， 举个栗子： 样本1，y_true = [1, 0, 1, 0, 0]，y_pred = [0, 1, 1, 0, 0]，可以看到它有2个预测出错的部分，记样本1汉明损失为2/5 = 0.4 样本2，y_true = [1, 0, 1, 0, 1]，y_pred = [1, 1, 0,
使用sklearn对多分类的每个类别进行指标评价操作
09-16
### 使用sklearn对多分类的每个类别进行指标评价操作 #### 背景与目标 在机器学习领域，特别是监督学习任务中，多分类问题是常见的一类问题。当我们训练了一个多分类模型后，如何评估其性能是至关重要的一步。常用...
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 3360
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...
多标签评价指标--Macro-F1、Micro-F1
niutingbaby的博客
06-24 8360
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
【分类指标】如何评估多分类（二分类）算法、Acc、Precision、Recall、F1详解
Danger的博客
02-22 1万+
【分类评价指标】如何评估多（二）分类算法的性能：Acc、Precision、Recall、F1等
常用多分类评价指标及计算
qq_44837312的博客
05-12 5799
多分类问题中常用的评价指标。
多标签分类方法总结——实现方法、评价指标、损失函数
热门推荐
u011412768的博客
10-14 3万+
分类一般分为三种情况：二分类、多分类和多标签分类。多标签分类比较直观的理解是，一个样本可以同时拥有几个类别标签，比如一首歌的标签可以是流行、轻快，一部电影的标签可以是动作、喜剧、搞笑，一本书的标签可以是经典、文学等，这都是多标签分类的情况。多标签分类的一个重要特点是样本的所有标签是不具有排他性的。 在阅读了一篇类似综述总结的博客后，做了以下总结，主要是实现多标签分类的几种思想，以及在深度网络的背景下实现多标签分类的几种方法。 实现多标签分类主要有两种思想，一种是...
分类问题的评价指标：多标签分类【基于标签度量（同多分类一样）：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1】【基于样本度量：Hamming Loss...】
u013250861的博客
01-28 9185
准确率-accuracy F1值 - fscore hamming_loss -hamming_distance AUROC AUPRC - (很多博客没有找到这个) 查准率- avgPrecision Intuitively, precision is the ability of the classifier not to label as positive a sample that
多分类下的评价指标：准确率，精确率，召回率，F1，ROC，AUC
Spanish_pie的博客
11-01 4432
在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。当False Positive (FP)的成本代价很高 (后果很严重)时，即期望尽量避免产生FP时，应该着重考虑提高Precision指标。ROC 曲线越陡越好，所以理想值就是 1，一个正方形，而最差的随机判断都有 0.5，所以一般 AUC 的值是介于 0.5 到 1 之间的。为了更好的表征学习器在精确率和召回率的性能度量，引入 F1 值。
多标签分类评估方式（Metrics for measuring the prediction quality of a multi-label system）
丿回到火星去
04-17 1883
Metrics for measuring the prediction quality of a multi-label system 大多数情况下，机器学习，深度学习中我们经常面对的分类问题大多是二分类，多类问题，但是有时候我们也会有多标签分类问题的产生。 对于多标签问题，我们需要一个合理客观的评价这个分类器好坏的方式，在这里根据 Some remarks on predicting mult...
多分类算法的评估指标
taon1607的博客
07-02 9174
在以往的分类问题求解当中，我们遇到的问题多为二分类问题，我们常用的评估指标有accuracy, precision, recall_score, f1-score, roc_auc_score等。但是在实际生活中，多分类问题也是大量存在的。这一小节，我们就详细的说明一下多分类问题的评估指标。 我们先来看一下sklearn库中的二分类的评估指标，以recall_score为例。在recall_score方法中，有一个很重要的参数’average’，它的默认值为’binary’。当在默认参数的情况，该评估方法
多标签分类评价指标
最新发布
03-14
### 多标签分类中的常用评估指标 多标签分类是一种机器学习任务，在这种任务中，每个样本可以被分配多个类别。为了衡量模型性能的好坏，通常会采用一系列专门设计的评估指标。 #### 精确率 (Precision) 精确率表示预测为正类别的样本中有多少比例实际上是正类别。对于多标签分类问题，可以通过计算所有标签上的平均值来得到总体的精确率[^1]。 \[ \text{Precision} = \frac{\sum_{i=1}^{n} TP_i}{\sum_{i=1}^{n}(TP_i + FP_i)} \] 其中 \(TP_i\) 和 \(FP_i\) 分别代表第 i 个标签的真实正例数和假正例数。 #### 召回率 (Recall) 召回率是指实际为正类别的样本中有多少比例被成功识别出来。同样地，也可以通过求取各个标签上召回率的均值得到整体表现[^2]。 \[ \text{Recall} = \frac{\sum_{i=1}^{n} TP_i}{\sum_{i=1}^{n}(TP_i + FN_i)} \] 这里 \(FN_i\) 表示第 i 个标签的假负例数量。 #### F1分数 (F1-Score) 由于精确率和召回率之间可能存在权衡关系，因此引入了综合考虑两者平衡性的度量标准——F1分数[^3]。 \[ F_1 = 2 * \frac{\text{Precision} * \text{Recall}}{\text{Precision} + \text{Recall}} \] 此公式适用于二元情况；而对于多标签场景，则需分别针对每一个可能的目标变量单独计算后再加以汇总处理。 #### Hamming损失 (Hamming Loss) 这是一种特别适合用来评判多标记数据集预测效果好坏的方法之一。它定义为错误标注的比例，即在整个测试集中误判次数占总实例-标签对总数之百分比[^4]。 \[ HL(Y, Z) = \frac{1}{m}\Sigma^m_{j=1}\frac{|y_j \oplus z_j|}{l} \] 在此表达式里，\(Y=\{y_1,..., y_m\},Z=\{z_1,... ,z_m\}\)，分别对应真实值矩阵与估计值矩阵；而符号"\(\oplus\)"意味着逐位异或运算操作符。 ```python from sklearn.metrics import hamming_loss, precision_score, recall_score, f1_score # Example usage of metrics functions with true and predicted labels. true_labels = [[0, 1], [1, 1]] predicted_labels = [[0, 1], [1, 0]] hl = hamming_loss(true_labels, predicted_labels) ps = precision_score(true_labels, predicted_labels, average='samples') rs = recall_score(true_labels, predicted_labels, average='samples') fs = f1_score(true_labels, predicted_labels, average='samples') print(f'Hamming Loss: {hl}') print(f'Precision Score: {ps}') print(f'Recall Score: {rs}') print(f'F1 Score: {fs}') ```
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