上海建设部网站,微信网站结构,北京手机网站开发费用,阿里云的wordpress建站混淆矩阵#xff1a; 准确率#xff08;Precision#xff09;#xff1a;记为P_i#xff0c;表示被正确预测为类别i的样本数占所有被预测为类别i的样本数的比例。 召回率#xff08;Recall#xff09;#xff1a;记为R_i#xff0c;表示被正确预测为类别i的样本数占…混淆矩阵 准确率Precision记为P_i表示被正确预测为类别i的样本数占所有被预测为类别i的样本数的比例。 召回率Recall记为R_i表示被正确预测为类别i的样本数占真实类别i的样本数的比例。 F1-score记为F1_i是准确率和召回率的加权调和平均用于综合考虑准确率和召回率。 macro avg 是计算这些指标的宏平均值。不考虑类别样本数量的差异将每个类别的指标求和后再除以类别总数N得到各指标的平均值。具体计算方式如下 macro avg-P:P_macro_avg (P_1 P_2 … P_N) / N macro avg-R:R_macro_avg (R_1 R_2 … R_N) / N macro avg-F1:F1_macro_avg (F1_1 F1_2 … F1_N) / N weighted avg 根据样本权重计算这些指标的加权平均具体计算公式如下w_i表示类别i的样本权重 weighted avg-P:P_weighted_avg w_1 * P_1 w_2 * P_2 … w_N * P_N weighted avg-RR_weighted_avg w_1 * R_1 w_2 * R_2 … w_N * R_N micro avg 计算公式如下 micro avg-P (总体TP) / (总体TP 总体FP) micro avg-R (总体TP) / (总体TP 总体FN) micro avg-F1 2 * (micro avg-P * micro avg-R) / (micro avg-P micro avg-R)
macro avg: 每个类别的权重相等不考虑样本在每个类别中的数量差异。关注每个类别的性能表现对每个类别的平均性能进行评估。
micro avg: 每个样本的权重相等。micro avg更加关注整体的性能表现对样本数量较多的类别有更大的影响。 总体TP总体FP 的意义在于表示了所有被分类为正例的样本数量即模型认为是正例的总数。这个指标可以用来评估模型对正例的整体识别能力。较高的总体TP 总体FP值表示模型对正例的识别能力较强能够正确地将更多的样本分类为正例。
总体TP总体FN 的意义在于表示了所有真实正例的样本数量即模型正确识别为正例的总数。这个指标可以用来评估模型对真实正例的召回能力即模型能够正确地将多少真实正例分类为正例。
真阳性TP、假阳性FP、真阴性TN、假阴性FN
