播放量网站推广免费,建手机网站软件,南京网站c建设云世家,关闭开发者模式加权准确率WA#xff0c;未加权平均召回率UAR和未加权UF1 1.加权准确率WA#xff0c;未加权平均召回率UAR和未加权UF12.参考链接 1.加权准确率WA#xff0c;未加权平均召回率UAR和未加权UF1
from sklearn.metrics import classification_report
from sklearn.metrics impor… 加权准确率WA未加权平均召回率UAR和未加权UF1 1.加权准确率WA未加权平均召回率UAR和未加权UF12.参考链接 1.加权准确率WA未加权平均召回率UAR和未加权UF1
from sklearn.metrics import classification_report
from sklearn.metrics import precision_recall_curve, average_precision_score,roc_curve, auc, precision_score, recall_score, f1_score, confusion_matrix, accuracy_scoreimport torch
from torchmetrics import MetricTracker, F1Score, Accuracy, Recall, Precision, Specificity, ConfusionMatrix
import warnings
warnings.filterwarnings(ignore) # 忽略告警pred_list [2, 0, 4, 1, 4, 2, 4, 2, 2, 0, 4, 1, 4, 2, 2, 0, 4, 1, 4, 2, 4, 2]
target_list [1, 1, 4, 1, 3, 1, 2, 1, 1, 1, 4, 1, 3, 1, 1, 1, 4, 1, 3, 1, 2, 1]print(classification_report(target_list, pred_list))# Accuracy # WAweighted accuracy加权准确率,其实就是我们sklearn日常跑代码出来的acc
# 在多分类问题中加权准确率Weighted Accuracy是一种考虑每个类别样本数量的准确率计算方式。
# 对于样本不均衡的情况该方式比较适用。其计算方式是将每个类别的准确率乘以该类别在总样本中的比例权重然后求和。
test_acc_en Accuracy(taskmulticlass,num_classes5, threshold1. / 5, averageweighted)# Recall macro表示加权的
# UARunweighted average recall未加权平均召回率
# 是一种性能评估指标主要用于多分类问题。它表示各类别的平均召回率Recall在计算时不对各类别进行加权。对于每个类别召回率是该类别中真正被正确预测的样本数与该类别中所有样本数的比值。
# UAR在评估一个分类器时对每个类别都给予相同的重要性而不考虑各类别的样本数量。这使得UAR在处理不平衡数据集时具有一定的优势因为它不会受到数量较多的类别的影响。
test_rcl_en Recall(taskmulticlass,num_classes5, threshold1. / 5, averagemacro) # UAR# F1 score
# F1分数是精确率Precision和召回率Recall的调和平均值。
# 在多分类问题中通常会计算每个类别的F1分数然后取平均值作为总体的F1分数。
# 平均方法可以是简单的算术平均Macro-F1常用也可以是根据每个类别的样本数量进行加权的平均Weighted-F1
test_f1_en F1Score(taskmulticlass, num_classes5, threshold1. / 5, averagemacro) # UF1preds torch.tensor(pred_list)
target torch.tensor(target_list)
print(sklearn vs torchmetrics: )
print(Accuracy-W_ACC)
print(accuracy_score(y_truetarget_list, y_predpred_list))
print(test_acc_en(preds, target))print(recall-UAR)
print(recall_score(y_truetarget_list,y_predpred_list,averagemacro)) # 也可以指定micro模式
print(test_rcl_en(preds, target))print(F1-score-UF1)
print(f1_score(y_truetarget_list, y_predpred_list, averagemacro))
print(test_f1_en(preds, target))2.参考链接
一文看懂机器学习指标准确率、精准率、召回率、F1、ROC曲线、AUC曲线多分类中TP/TN/FP/FN的计算多分类中混淆矩阵的TP,TN,FN,FP计算TP、TN、FP、FN超级详细解析一分钟看懂深度学习中的准确率Accuracy、精度Precision、召回率Recall和 mAP深度学习评价指标简要综述深度学习 数据多分类准确度 多分类的准确率计算Sklearn和TorchMetrics计算F1、准确率(Accuracy)、召回率(Recall)、精确率(Precision)、敏感性(Sensitivity)、特异性(Specificity)【PyTorch】TorchMetricsPyTorch的指标度量库
