【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
九年义务漏网鲨鱼1 小时前
【大模型学习 | MINIGPT-4原理】
人工智能·深度学习·学习·语言模型·多模态
元宇宙时间2 小时前
Playfun即将开启大型Web3线上活动,打造沉浸式GameFi体验生态
人工智能·去中心化·区块链
开发者工具分享2 小时前
文本音频违规识别工具排行榜(12选)
人工智能·音视频
产品经理独孤虾2 小时前
人工智能大模型如何助力电商产品经理打造高效的商品工业属性画像
人工智能·机器学习·ai·大模型·产品经理·商品画像·商品工业属性
老任与码2 小时前
Spring AI Alibaba(1)——基本使用
java·人工智能·后端·springaialibaba
蹦蹦跳跳真可爱5892 小时前
Python----OpenCV(图像増强——高通滤波(索贝尔算子、沙尔算子、拉普拉斯算子),图像浮雕与特效处理)
人工智能·python·opencv·计算机视觉
雷羿 LexChien3 小时前
从 Prompt 管理到人格稳定:探索 Cursor AI 编辑器如何赋能 Prompt 工程与人格风格设计(上)
人工智能·python·llm·编辑器·prompt
两棵雪松3 小时前
如何通过向量化技术比较两段文本是否相似?
人工智能
heart000_13 小时前
128K 长文本处理实战:腾讯混元 + 云函数 SCF 构建 PDF 摘要生成器
人工智能·自然语言处理·pdf
敲键盘的小夜猫3 小时前
LLM复杂记忆存储-多会话隔离案例实战
人工智能·python·langchain