获取每个类别的各种分类指标precision、recall、f1等等

最新推荐文章于 2025-01-27 12:53:57 发布

six66667

最新推荐文章于 2025-01-27 12:53:57 发布

阅读量4.2k

点赞数 4

文章标签：分类器分类指标

本文链接：https://blog.youkuaiyun.com/six66667/article/details/89479541

版权

平常在二分类问题中，precision_score()得到的都是一个值，

如果想知道每一类的各项指标值（二分类或者多分类都可以），查看官方文档

使用sklearn.metrics下的precision_recall_fscore_support

数据集以及前面的代码就不贴了，下面示例是个二分类问题。

程序：

print(precision_recall_fscore_support(y_test, pre_y, labels=[0,1]))

输出结果：

总共输出4个数组，依次是precision、recall、fscore、support，每个数组含有2个元素，第一个元素是类别为“0”的指标，第二个元素是类别为“1”的指标。

或者在每个指标函数里增加参数，average=None

precision_s = precision_score(y_test, pre_y, average=None)  # 精确度

recall_s = recall_score(y_test, pre_y, average=None)  # 召回率

f1_s = f1_score(y_test, pre_y, average=None)  # F1得分

输出结果：

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

six66667

关注关注

4
点赞
踩
5

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

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

2002

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。

分类任务中的评估指标：Accuracy、Precision、Recall、F1

一杯水果茶！足矣~

03-28

1531

分类任务中的评估指标概念及理解，简单易懂。

参与评论您还未登录，请先登录后发表或查看评论

详解多分类模型的Micro-F1/Precision/Recall计算过程

ybdesire的专栏

08-01

1万+

引入关于准确率(accuracy)、精度(precision)、查全率(recall)、F1的计算过程，之前写过一篇文章[1]。根据文章[1]中的公式，我们可以知道，精度(precision)、查全率(recall)、F1的计算，是针对于二分类器来说的。他们的计算，只与y_true/y_pred有关，也要求y_true/y_pred中，只含有0和1两个数。对二分类模型来说，可以直接调用skl...

多分类f1分数_多分类的评价指标PRF（Macro-F1/MicroF1/weighted）详解

weixin_29356575的博客

12-28

1778

也许是由于上学的时候一直搞序列标注任务，多分类任务又可以简化为简单的二分类任务，所以一直认为PRF值很简单，没啥好看的。然鹅，细看下来竟有点晦涩难懂，马篇博留个念咯~前言PRF值分别表示准确率(Precision)、召回率(Recall)和F1值(F1-score)，有机器学习基础的小伙伴应该比较熟悉。根据标题，先区别一下“多分类”与“多标签”：多分类：表示分类任务中有多个类别，但是对于每个样本有...

ML基础——分类模型的评估指标

最新发布

weixin_62528784的博客

01-27

890

ML基础-分类模型的评估指标，注意2分类与多分类

sklearn 计算 precision、recall、auc、F1 score

颹蕭蕭

10-05

5030

import numpy as np from sklearn.metrics import precision_recall_fscore_support from sklearn.metrics import roc_auc_score from sklearn.metrics import precision_recall_curve from numpy.random import ran...

sklearn(七)计算多分类任务中每个类别precision、recall、f1的集成函数precision_recall_fscore_support()

凝眸伏笔的博客

12-01

1万+

1.precision_recall_fscore_support()使用介绍： sklearn.metrics.precision_recall_fscore_support(y_true, y_pred, *, beta=1.0, labels=None, pos_label=1, average=None, warn_for=('precision', 'recall', 'f-score'), sample_weight=None, zero_division='warn') 输入参数：

sklearn.metrics import precision_recall_fscore_support

weixin_30518397的博客

04-23

1021

二分类/多分类/多标签对于二分类来说，必须定义一些matrics（f1_score，roc_auc_score）。在这些case中，缺省只评估正例的label，缺省的正例label被标为1（可以通过配置pos_label参数来完成）将一个二分类matrics拓展到多分类或多标签问题时，我们可以将数据看成多个二分类问题的集合，每个类都是一个二分类。接着，我们可以通过跨多个分类计算每个二分类...

混淆矩阵，精确率，召回率及 sklearn precision_recall_fscore_support函数的使用

arvinChen的博客

06-09

2128

混淆矩阵

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...

机器学习指标(Precision、Recall、mAP、F1 Score等)

林学森的技术专栏

04-26

4876

以下文章摘录自：《机器学习观止——核心原理与实践》京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) ———————————————— 版权声明：本文为优快云博主「林学森」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.cs.

混淆矩阵、精确率、召回率和F1值：如何评估分类器的性能？

WeLearnNLP

03-28

2287

在机器学习中，分类是一项非常重要的任务。在分类任务中，我们需要根据输入的数据将其分为不同的类别。为了评估分类器的性能，我们需要使用一些指标。其中最常用的指标就是混淆矩阵、精确率、召回率和F1值。本文将详细介绍这些指标的原理，并结合代码进行讲解。

多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨

lizz2276的博客

06-22

4178

https://zhuanlan.zhihu.com/p/147663370?from_voters_page=true 众所周知，机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score，而回归模型最常用指标有MAE和RMSE。但是我们真正了解这些评价指标的意义吗？在具体场景（如不均衡多分类）中到底应该以哪种指标为主要参考呢？多分类模型和二分类模型的评价指标有啥区别？多分类问题中，为什么Accuracy = micro precision = micro

模型评估方法：交叉验证。分类器性能评估：准确率accuracy、精确率precision(即查准率)、召回率recall(即查全率)、F1值、ROC曲线(受试者工作特征曲线感受性曲线)

あずにゃん梓喵的博客

08-13

4720

日萌社人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） ...

【人工智能】NLP的Precision(查准率,精确率),Recall(查全率,召回率),Accuracy(准确率)以及综合评价指标(F1-Measure)

沙师弟专栏

10-29

1万+

目录简述准确率、召回率、F1AP和mAP(mean Average Precision)ROC和AUC 简述机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注：相对来说，IR 的 ground t...

NLP中文分词的评估指标

空字符

01-01

2163

1.背景 NLP中一个最基本任务就是分词，当我们分词完成之后怎么来评判分词结果的好坏呢？换句话来说就是我该如何对分词结果打分？这个分数怎么算法，依照的标准是什么？例如：原句子：武汉市长江大桥分词一：武汉市长江大桥分词二：武汉市长江大桥对于分词一和分词二的打分应该是多少呢？为了搞清楚这个问题，我们先来学习（回顾）一些机器学习中的常见分类评估标准。 2.机器学习中的分类评估 2.1...

CPLLM代码逐行解析

强化学习曾小健

03-25

901

这段代码主要是在MIMIC-IV数据集上微调一个预训练的语言模型,用于慢性肾病的分类任务。训练过程中会评估模型在验证集上的性能,并在训练结束后在测试集上进行最终评估。通过这段代码,可以看到如何使用现有的预训练语言模型,结合LoRA和量化技术,在医疗领域的特定任务上进行高效的微调。这种方法可以在较小的数据集上取得良好的性能,同时减少计算资源的需求。预训练的语言模型(如LLaMA或BioMedLM),并在MIMIC-IV数据集上进行微调,用于慢性肾病的二元分类任务。模型的token embeddings。

python 预测测试集报告 precision 、recall 、f1-score 、support

热门推荐

11-01

2万+

from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report confusion_matrix(y_test, y_predict) print(classification_report(y_test, y_predict)) preci...

分类器的评估优化

pray_HKY的博客

03-24

2850

#两分类问题有混淆矩阵三分类问题、五分类问题都有混淆矩阵多分类问题都有混淆矩阵 1.混淆矩阵 2. 导入数据 #导入数据 from sklearn.datasets import load_iris iris = load_iris() 两分法拆分数据 #两分法拆分数据 from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test = train_test_split(iris.data,ir

precision recall f1-score support

06-28

### 回答1： precision、recall、f1-score和support是机器学习中常用的评估指标。其中，precision（精确率）指的是模型预测为正例的样本中，真正为正例的比例；recall（召回率）指的是真正为正例的样本中，被模型预测为正例的比例；f1-score（F1值）是precision和recall的调和平均数，用于综合评估模型的性能；support（支持数）指的是每个类别在数据集中出现的次数。在分类问题中，precision、recall和f1-score都是用来评估模型的分类准确性的指标，而support则是用来衡量每个类别的样本数量。 ### 回答2： precision、recall、f1-score和support是机器学习中对分类模型性能评价的重要指标。 Precision（精确率）是指预测为正样本的样本中有多少是真正的正样本。它的计算公式为：Precision = 真正的正样本数 / 预测为正样本的样本数。Precision越高，说明模型预测的正样本越准确。 Recall（召回率）是指所有真正的正样本中，模型预测出了多少个正样本。它的计算公式为：Recall = 真正的正样本数 / 所有真正的正样本数。Recall越高，说明模型能够识别到更多的正样本。 F1-score（F1指标）是精确率和召回率的调和平均值。它的计算公式为：F1-score = 2 * Precision * Recall / (Precision + Recall)。F1-score综合考虑了模型的精确率和召回率，是一个更全面的评价模型分类性能的指标。 Support是指每个类别在测试集中出现的频率（数量）。这个指标主要是为了在多分类任务中，评价每个类别的影响力大小。在实际应用中，需要综合考虑Precision、Recall和F1-score来评价一个分类模型的准确性和召回能力。比如，在医学领域中，如果一个肿瘤预测模型的Recall很高，说明模型能够预测出更多的真实患者，但如果Precision很低，就会出现很多误诊的情况。此时，我们可以将F1-score作为综合评价指标，考虑模型的精确率和召回率的平衡。 ### 回答3：这四个指标是评估分类模型性能的重要指标，通常会和混淆矩阵一起使用来评价模型的表现。 Precision（精确率）：是指模型在预测为正例中有多少是真正的正例，也可以说是真正例占全部预测为正例的比例。该指标越高，表示模型判断为正例的数据越有可能是真正的正例。 Recall（召回率）：是指模型在所有真正实际为正例的样本中，能够被模型正确预测为正例的比例。该指标越高，表示模型能够更好地找到真正的正例。 F1-score：是指精确率和召回率的综合指标，是两者的调和平均数。该指标可以更全面地反映模型的准确率和遗漏率，适用于数据不平衡的情况。 Support（支持度）：是指数据集中属于某个类别的样本数量，与其他指标不同的是，该指标没有考虑模型的预测结果，只是对数据集的分布做出了描述。在实际应用中，选择哪个指标作为评价标准取决于具体任务的需求以及数据分布的特点。例如，在银行反欺诈领域，由于正例较少，需要更关注召回率以避免错过异常交易，而将精确率作为优化目标可能会导致将正常交易误判。因此，在不同场景下需要合理选择评价指标，并综合考虑多个指标综合评估模型的性能。