分类模型的F1分数、Precision和Recall计算过程
引进
我们通常在评估classifier的性能时使用accuracy
在考虑多种分类的背景下
accuracy=(正确分类的样本数)/(分类的所有样本数) ) ) )。
这样做看起来也不错，例如，不透明的袋子里有1000部手机，其中有600部iphone 6，300部galaxys 6，50部华为mate 7，50部mx4，这一严重问题。 请参阅。 如果分类器只是简单地将所有手机预测为iphone6，那么用上式计算的精度accuracy为0.6，看起来不错； 但是三星，华为和小米的预测都是错误的。 再给你一个袋子，里面有600台galaxys 6，300台mx4，50台华为mate 7，50台iphone，甚至不能回家带孩子
因此，仅用accuracy测量一个分类器的性能是不科学的。 因此，必须引入其他衡量标准。
二分类
你经常看下面的图吗？ 这是一个二分类图，假设只有正类和负类，True和False分别表示对和错； Positive和Negative分别表示预测为正类和负类。
那么…
TP :预测为positive且正确(样本在正类中预测为正类)。
(TN )预测为否定且正确(样本为负类，预测为负类) ) ) ) )。
FP :预测为positive但错误(样本为负类但预测为正类) ) ) ) ) ) )。
(FN )预测为Negative但错误(样本为正类但预测为负类) ) )。
tpfp :预测为positive、正确但预测为positive但错误=positive的样本总数
tpfn :预测为positive、预测为Negative但错误=实际上positive的样本总数
因此，precision表示正确预测的敏感性样本/敏感性样本和预测的样本总数
同样，recall表示正确预测的敏感性样本/实际上为敏感性样本的总数
F1是调和平均值，只要准确率和召回率小，F1的值也会降低：
多分类案例
其实和二分类的情况很相似。 例子如下，这是Micro，与二分类类似。 (将示例中的precision和recall代入F1公式，得到Micro中的F1值。 ）
对于Macro，要计算F1，必须首先为每个类别计算F1的值，然后求出平均值。 如下所示
Macro时上述例子的计算
sklearn计算程序(macro ) ) )。
以下是使用sklearn直接计算多类F1/P/R的程序，只要将接口的平均参数设定为“macro”即可。
froms klearn.metricsimportf1_ score，precision_score，recall_score
y _ true=[ 1，2，3 ]
y _ pred=[ 1，1，3 ]
F1=F1_score(y_true，y_pred，average='macro ' )
p=precision_score(y_true，y_pred，average='macro ' ) )
r=recall_score(y_true，y_pred，average='macro ' )
打印(f1，p，r ) ) )。
# output :5555555560.50.66666666667
参考链接：
机器学习：分类结果的评估(F1 Score ) ) ) ) ) ) ) ) )。
另一方面，在具体使用基础疑问1:算法时，如何用准确率和召回率判断算法的优劣？ 根据具体使用情况，根据：例13360股的预测，未来该股是涨还是跌？ 在业务上，如果要求更准确地找到可上涨的股票：模型的正确率越高越好。
【Tf期间； keras】实现了F1 score、precision、recall等公制
在tf.keras.metric上没有实现F1 score.recall.precision等指标，一开始很不可思议。 但这是有原因的，这些指标用batch-wise计算也没有意义。
机器学习中的precision、recall、accuracy、F1 Score
1.4个概念定义：TP.FP.TN.FN首先查看4个概念定义：- TP，True Positive- FP，False Positive- TN，Tru
e Negative - FN,False ...利用sklearn对MNIST手写数据集开始一个简单的二分类判别器项目(在这个过程中学习关于模型性能的评价指标，如accuracy，precision，recall，混淆矩阵)
.caret, .dropup > .btn > .caret { border-top-color: #000 !important; } .label { border: 1px so ...
分类问题的几个评价指标(Precision、Recall、F1-Score、Micro-F1、Macro-F1
轉自 https://blog.csdn.net/sinat_28576553/article/details/80258619 四个基本概念TP.True Positive 真阳性:预测为正,实 ...
ROC，AUC，Precision，Recall，F1的介绍与计算(转)
1. 基本概念 1.1 ROC与AUC ROC曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,ROC曲线称为受试者工作特征曲线 (receiver operatin ...
ROC，AUC，Precision，Recall，F1的介绍与计算
1. 基本概念 1.1 ROC与AUC ROC曲线和AUC常被用来评价一个二值分类器(binary classifier)的优劣,ROC曲线称为受试者工作特征曲线 (receiver operatin ...
机器学习常用性能度量中的Accuracy、Precision、Recall、ROC、F score等都是些什么东西？
一篇文章就搞懂啦,这个必须收藏! 我们以图片分类来举例,当然换成文本.语音等也是一样的. Positive 正样本.比如你要识别一组图片是不是猫,那么你预测某张图片是猫,这张图片就被预测成了正样本. ...
分类问题(三)混淆矩阵，Precision与Recall
混淆矩阵 衡量一个分类器性能的更好的办法是混淆矩阵.它基于的思想是:计算类别A被分类为类别B的次数.例如在查看分类器将图片5分类成图片3时,我们会看混淆矩阵的第5行以及第3列. 为了计算一个混淆矩阵, ...
随机推荐
小小收获for python
包导入问题: 包之外导入:还是按照sys.path的搜索路径进行模块的导入 包内的导入:python3.0+ 完全区分绝对导入和相对导入 from . import string #在 ...
高通Android平台硬件调试之Camera篇
之前一段时间有幸在高通android平台上调试2款camera sensor,一款是OV的5M YUV sensor,支持jpeg out,同时也支持AF,调试比较比较简单,因为别的项目已经在使用了, ...
drupal 2016-11-3
我随意定义了一个hook menu发现里面的内容很快就加入到了navigation menu里面.
【图像算法】图像特征：GLCM灰度共生矩阵,纹理特征
[图像算法]图像特征:GLCM SkySeraph Aug 27th 2011 HQU Email:zgzhaobo@gmail.com QQ:452728574 Latest Modifie ...
linux下MySQL 5.6源码安装
linux下MySQL 5.6源码安装 1.下载:当前mysql版本到了5.6.20 http://dev.mysql.com/downloads/mysql 选择Source Code 2.必要软件 ...
最近纠结致死的一个java报错java.net.SocketException: Connection reset 终于得到解决
自从SEOTcs系统11月份24日更新了一下SEO得分算法以来,一直困扰我的一个问题出现了,java的数据job任务,在执行过程中会经常报以下的错误: “2011-12-03 18:00:32 Def ...
如何使用MOQ进行单元测试
使用MOQ来伪装和隔离被依赖对象,从而提高被测对象的测试效果. 安装 通过http://code.google.com/p/moq可以下载MOQ的最新版本.在SSL项目中,我们使用的是MOQ 3.1. ...
Aps.net中基于bootstrapt图片上传插件的应用
Aps.net中基于bootstrapt图片上传插件的应用 在最近的项目中需要使用一个图片上传的功能,而且是多张图片同时上传到服务器的文件夹中,将图片路径存放在数据库中.为了外观好看使用了bootst ...
SpringMvc返回报文形式的控制-验证方法: JSON or HTML or XML
首先,请求通过accept请求头声明了支持的返回格式 然后,框架根据该请求头和代码实现(注解)选择了对应的MessageConverter处理返回! 一.验证过程 1.返回html 1.1.请求组装 ...
【原创】分布式之elk日志架构的演进
引言 好久没写分布式系列的文章了,最近刚好有个朋友给我留言,想看这方面的知识.其实这方面的知识,网上各种技术峰会的资料一抓一大把.博主也是凑合着写写.感觉自己也写不出什么新意,大家也凑合看看. 日志系 ...