micro f1和macro f1_correct score

首先，明确一个概念，精确率(Precision)和召回率(Recall)并不是只有在目标检测中才有的，是所有任务涉及到分类的都有。而且P和R是针对于每一类来说的，每一个类别都有自己的准确率和召回率，计算每一个类别时，该样本即为正样本，其他样本统一为负样本来计算。

首先，先说F1 score，它其实是用来评价二元分类器的度量。

micro f1和macro f1_correct score

F1是针对二元分类的，那对于多元分类器，有没有类似F1 score的度量方法呢？那就是这里提到的micro-F1和macro-F1

macro-F1

其实很简单，就是针对于每个类计算他的精确率和召回率，求平均，然后再按照F1-score公式计算即可。

micro f1和macro f1_correct score

micro f1和macro f1_correct score

micro f1和macro f1_correct score

micro-F1

其实也不难，就是将所有的类的精确率和召回率一起计算。

micro f1和macro f1_correct score

micro f1和macro f1_correct score

之后，再按照F1-score的公式计算即可。

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/183681.html原文链接：https://javaforall.cn