大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE稳定放心使用
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。
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
其实也不难，就是将所有的类的精确率和召回率一起计算。
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， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/183681.html原文链接：https://javaforall.net
