分類的評估指標有很多，這裡考慮如下幾個：precision，recall，f1，macro-f1，micro-f1
**/真實10
1tp
fp0fntn
positive/negative 表示**的正負
true/false 表示**是否正確
而macro-f1和micro-f1，巨集觀f1值和微觀f1值，考慮的是在多標籤(multi-label)情況下，分類效果的評估方式。
（multi-label 指的是多個分類的目的，每個目的都是binary的，可參考我的另一篇部落格 ）
比如multi-label 性別男或女（0/1）以及是否是學生（0/1）；當然multi-class也可以通過一定的編碼方式轉化為multi-label，如原始類別1，2，3，4，獨熱編碼後可用四元向量表示[0,1,0,0]即表示類標2。
macro-f1和micro-f1正是基於分類目的的多樣性，將只適用於binary分類的f1值推廣了：
從上面二者計算方式上可以看出，macro-f1平等地看待各個類別，它的值會受到稀有類別的影響；而micro-f1則更容易受到常見類別的影響。
多分類評估指標
多分類指標的情況 二分類和多分類其實沒有多少區別。用的公式仍然是y wx b。但有乙個非常大的區別是他們用的啟用函式是不同的。邏輯回歸用的是sigmoid，這個啟用函式的除了給函式增加非線性之外還會把最後的 值轉換成在 0,1 中的資料值。也就是 值是0 我們最後的一層中使用的啟用函式就是softm...
分類演算法評估指標
2 準確率 accuracy 準確率是常用的乙個評價指標，但是不適合樣本不均衡的情況。ac cura cy t p tn tp t n fp fn accuracy tp tn tp tn fp fnac cura cy t p tn tp t n fp fn 3 精確率 precision 又稱查...
分類模型效果評估指標
1 準確率 精確率 召回率 f1 score 我們以分類演算法為例，假設班裡有50個同學，其中男生30個，女生20個，我們根據身高 體重 頭髮長度 聲音分貝等等特徵，想找到所有女生，比如已經有這樣乙個分類器了，得到結果如下 這裡我們是要找到所有女同學，故把女同學作為正樣本 positive 男同學作...