【多类别分类中的准确率召回率平均策略】

文章目录

  • [1. 机器学习中的微平均策略(Micro Average Strategy)](#1. 机器学习中的微平均策略(Micro Average Strategy))
  • [2. 机器学习中的宏平均策略(Macro Average Strategy)](#2. 机器学习中的宏平均策略(Macro Average Strategy))
  • [3、weighted 平均策略](#3、weighted 平均策略)

1. 机器学习中的微平均策略(Micro Average Strategy)

在机器学习和数据科学中,微平均(Micro Average)是一种评估分类模型性能的方法。与宏平均(Macro Average)不同,微平均在计算指标(如精确率、召回率、F1 分数)时,先将所有类别的预测和实际值汇总,然后计算整体指标。这种方法对类别不平衡的数据集尤其有用。具体特点包括:

全局计算:将所有类别的真阳性、假阳性和假阴性累加后,再计算指标。

适用于类别不平衡:由于微平均考虑了每个实例,对样本数量不平衡的数据集更具代表性。

与宏平均的区别:宏平均先对每个类别分别计算指标,再取平均,而微平均直接基于整体数据计算。

示例: 假设有三个类别,类别 A 有 100 个样本,类别 B 有 10 个样本,类别 C 有 1 个样本。使用微平均时,所有样本被平等对待,不论所属类别。

2. 机器学习中的宏平均策略(Macro Average Strategy)

在机器学习和数据科学中,宏平均(Macro Average)通常指的是在评估分类模型性能时,对每个类别的指标(如精确率、召回率、F1分数)先分别计算,然后取平均值,而不考虑各类别的样本数量。这种方法适用于类别不平衡的数据集。

如果"宏平均策略"是在这个领域提到的,可能指的是在模型评估或优化过程中,采用宏平均的方法来确保各类别的性能均衡。

3、weighted 平均策略

根据每个类别的比例权重平均

相关推荐
forest_094 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
火山引擎开发者社区5 小时前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔5 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区5 小时前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM1235 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI5 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健6 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
stormzhangV6 小时前
Google 重返第一梯队
人工智能·google·aigc
十有八七7 小时前
手搓 Agent(五):学会翻书——RAG,先查资料再回答
前端·人工智能·后端