【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
文火冰糖的硅基工坊8 分钟前
[嵌入式系统-100]:常见的IoT(物联网)开发板
人工智能·物联网·架构
刘晓倩36 分钟前
实战任务二:用扣子空间通过任务提示词制作精美PPT
人工智能
shut up38 分钟前
LangChain - 如何使用阿里云百炼平台的Qwen-plus模型构建一个桌面文件查询AI助手 - 超详细
人工智能·python·langchain·智能体
Hy行者勇哥41 分钟前
公司全场景运营中 PPT 的类型、功能与作用详解
大数据·人工智能
FIN66681 小时前
昂瑞微:实现精准突破,攻坚射频“卡脖子”难题
前端·人工智能·安全·前端框架·信息与通信
FIN66681 小时前
昂瑞微冲刺科创板:硬科技与资本市场的双向奔赴
前端·人工智能·科技·前端框架·智能
m0_677034351 小时前
机器学习-推荐系统(下)
人工智能·机器学习
XIAO·宝1 小时前
深度学习------专题《神经网络完成手写数字识别》
人工智能·深度学习·神经网络
流年染指悲伤、1 小时前
2024年最新技术趋势分析:AI、前端与后端开发新动向
人工智能·前端开发·后端开发·2024·技术趋势
乐迪信息1 小时前
乐迪信息:基于AI算法的煤矿作业人员安全规范智能监测与预警系统
大数据·人工智能·算法·安全·视觉检测·推荐算法