【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
汀、人工智能5 分钟前
AI-Compass LLM训练框架生态:整合ms-swift、Unsloth、Megatron-LM等核心框架,涵盖全参数/PEFT训练与分布式优化
人工智能·分布式·sft·swift·大模型训练
ATM0065 分钟前
开源AI Agent开发平台Dify源码剖析系列(二)
人工智能·开源·dify·源码剖析
ATM0061 小时前
人机协作系列(四)AI编程的下一个范式革命——看Factory AI如何重构软件工程?
人工智能·大模型·agent·人机协作·人机协同
读创商闻2 小时前
极狐GitLab CEO 柳钢——极狐 GitLab 打造中国企业专属 AI 编程平台,引领编程新潮流
人工智能·gitlab
kailp2 小时前
语言模型玩转3D生成:LLaMA-Mesh开源项目
人工智能·3d·ai·语言模型·llama·gpu算力
marteker2 小时前
弗兰肯斯坦式的人工智能与GTM策略的崩溃
人工智能·搜索引擎
无心水2 小时前
大语言模型零样本情感分析实战:无需机器学习训练,96%准确率实现指南
人工智能·机器学习·语言模型
来自于狂人2 小时前
AI大模型训练的云原生实践:如何用Kubernetes指挥千卡集群?
人工智能·云原生·kubernetes
橡晟8 小时前
深度学习入门:让神经网络变得“深不可测“⚡(二)
人工智能·python·深度学习·机器学习·计算机视觉
墨尘游子8 小时前
神经网络的层与块
人工智能·python·深度学习·机器学习