在F1宏分数计算过程中忽略折叠
是指在计算F1宏分数时，忽略了折叠（或称为不平衡）的情况。F1宏分数是一种常用的评估指标，用于衡量分类模型在多个类别上的综合性能。
在计算F1宏分数时，通常会将每个类别的预测结果与真实标签进行比较，然后计算每个类别的精确率（Precision）和召回率（Recall），最后取所有类别的精确率和召回率的平均值作为F1宏分数。
然而，在某些情况下，不同类别的样本数量可能存在不平衡，即某些类别的样本数量远远大于其他类别。这种情况下，计算F1宏分数时会受到折叠问题的影响。折叠问题指的是在计算平均精确率和召回率时，样本数量较多的类别会对平均值产生更大的影响，从而导致对样本数量较少的类别的评估结果不准确。
为了解决折叠问题，可以使用F1微分数（F1 Micro Score）来代替F1宏分数。F1微分数是将所有类别的预测结果和真实标签合并后计算的精确率和召回率，然后再计算F1分数。这样可以避免折叠问题，因为每个样本都被视为同等重要。
总结起来，忽略折叠是在F1宏分数计算过程中不考虑不平衡样本数量对评估结果的影响。而使用F1微分数可以解决折叠问题，确保每个样本都被平等对待。
相关·内容
我有一个阶级不平衡的多类分类问题。我寻找最好的标准来评估我的模型。学习有多种计算F1分数的方法。我想了解不同之处。
当出现班级不平衡时，你有什么建议？
浏览 0提问于2018-11-08得票数 22
回答已采纳
我正在尝试选择一种方法将我的数据分割成火车和测试集。我目前正在使用Scikit的RepeatedStratifiedKFold。根据，RepeatedStratifiedKFold是一个：
重复分层K折叠交叉验证器。
重复分层K折叠n次数，每次重复的随机化程度不同.
我在一个由1000个观测数据集组成的数据集上使用RepeatedStratifiedKFold，使用5次折叠和100次重复，如下所示：
rskf = RepeatedStratifiedKFold(n_splits=5, n_repeats=100, random_state=None)
for train_index,
浏览 7提问于2020-03-14得票数 2
我有一套10个实验，计算精度，回忆和F1评分为每个实验。现在，平均查准率和平均召回率很容易计算。我对F1的平均分数有些困惑。
关于如何计算平均F1分数，有两种方法：
用10个实验中的每一个实验的f1分数来计算它们的平均值。
取平均精度和平均召回率，然后使用公式f1 = 2*p*r/(p+r)计算f1分数。
我找不到任何有力的理由来支持这些论点。我能找到的最接近的文档是：https://www.kaggle.com/wiki/MeanFScore
有人能用一些参考(如果可能的话)来解释哪些方法是正确的，为什么？
编辑:其中一位成员建议使用这源。不过，我仍然怀疑消息来源的可靠性。我在他们的研究出版
浏览 0提问于2017-01-08得票数 8
回答已采纳
1回答
以下是我的教程：
我有一个有26个标签的多类数据。P@1和R@1是什么意思？
如果我必须得到相应的F1分数，我如何才能得到它？
浏览 2提问于2021-08-20得票数 0
回答已采纳
1回答
我正在使用sklearn计算macro f1分数，我怀疑代码中是否有任何错误。下面是一个示例(忽略标签0 )：
from sklearn.metrics import f1_score, precision_recall_fscore_support
y_true = [1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 4, 4]
y_pred = [1, 1, 1, 0, 0, 2, 2, 3, 3, 3, 4, 3, 4, 3]
p_macro, r_macro, f_macro, support_macro \
= precision_recall_
浏览 4提问于2017-04-15得票数 0
回答已采纳
1回答
我想要获得每个类(我有4个类)和每个交叉验证折叠的F1分数。clf是我训练的模型，X_test是测试集的特征，y_test是测试集的标签。因为我做的是5折交叉验证，所以我应该在第一折中为每个班级获得4分的F1分数，在第二折中获得4分。总共20个。我能用python简单地做到这一点吗？
下面这行代码将给出所有类的平均F1，每个折叠层只有5个值。我检查了cross_val_score ()中变量scoring的选项，似乎无法获得每个文件夹中每个类的F1分数(或者我可能在某个地方迷路了)。
scores = cross_val_score(clf, X_test, y_test, cv=5, sco
浏览 23提问于2020-05-07得票数 0
1回答
微观度量与宏观度量
、、、
为了检验我的多标签分类模型的结果，我测量了精度、回忆和F1分数。我想比较两种不同的结果，Macro。我有一个只有几行的数据集，但标签计数在1700左右。为什么宏如此之低，即使我在微观上得到了很高的结果，当它是一个多类的时候，哪一个会更有用呢？
Accuracy: 0.743999
Micro Precision: 0.743999
Macro Precision: 0.256570
Micro Recall: 0.743999
Macro Recall: 0.264402
Micro F1 score: 0.743999
Macro F1 score: 0.250033
Coh
浏览 2提问于2021-08-09得票数 0
回答已采纳
1回答
我对如何在TextMate中折叠和组织我的代码有点老生常谈，有一个问题一直困扰着我，它的代码折叠行为就是，如果我有一个包含一堆函数的文件，我只想折叠所有函数(但不是它们的内容)，我必须单击每个函数并点击F1 (或者单击行指示器中的小折叠按钮)。
我发现了，这是可以的，但不太理想，因为折叠所有级别的代码意味着每个函数中的每一个if、else、while等语句也将被折叠，这意味着我在处理函数时必须不断点击或点击F1。
有没有办法让TextMate将文件中的所有函数都识别为“1级”，这样当我选择“在1级切换文件夹”时，这些函数就会折叠起来(但里面什么都没有)？
现在，如果我这样做，只有整个文件中的第
浏览 0提问于2011-10-08得票数 0
回答已采纳
2回答
宏与微VS加权VS样本F1评分
、、、、
在sklearn.metrics.f1_score中，f1分数有一个名为“平均”的参数。宏观、微观、加权和样本意味着什么？请详细说明，因为在文件中没有适当解释。或者简单地回答如下：
为什么“样本”是多标签分类的最佳参数？
为什么微观对于不平衡的数据集是最好的？
加权和宏观有什么区别？
浏览 0提问于2019-04-18得票数 33
回答已采纳
我有一个不平衡的二进制数据集，大多数是一个标签(6到1)。
我运行GridSearchCV时使用LinearSVC模型，使用class_ the =‘balanced’来优化'C‘参数。由于1多数，我想我需要一个像'metrics.average_precision_score‘这样的评分函数，只有一个不同之处:它将根据0标签而不是1来计算分数。
我这样做对吗？
我有办法这么做吗？
浏览 3提问于2017-04-14得票数 2
回答已采纳
7回答
我在R中使用rpart分类器，问题是-我想在测试数据上测试训练好的分类器。这很好-我可以使用predict.rpart函数。
但我还想计算准确率、召回率和F1分数。
我的问题是-我必须自己为这些函数编写函数吗，或者在R或任何CRAN库中有什么函数可以做到这一点？
浏览 0提问于2011-12-14得票数 26
回答已采纳
1回答
在数据集不平衡的情况下，我试图了解AUC是一个比分类精度更好的度量标准。
假设dataset包含3个类的1000个示例，如下所示：
a = [[1.0, 0, 0]]*950 + [[0, 1.0, 0]]*30 + [[0, 0, 1.0]]*20
显然，这些数据是不平衡的。
一个天真的策略是预测属于第一类的每一个点。
假设我们有一个具有以下预测的分类器：
b = [[0.7, 0.1, 0.2]]*1000
对于列表a中的真实标签和列表b中的预测，分类精度为0.95。
因此，人们会认为模型在分类任务上确实做得很好，但这并不是因为模型预测了一个类中的每一个点。
因此，建议采用AUC度量来评估
浏览 2提问于2020-06-19得票数 1
回答已采纳
1回答
我使用的"classification_report“来自：
from sklearn.metrics import classification_report
为了评价一个分类模型。
📷
我怎么看这份报告？精确、回忆和F1分数的价值是什么？
是精度= 56%还是25%，也适用于回忆和F1评分？
浏览 0提问于2021-09-12得票数 3
我有多类分类任务，我想对每个类的预测结果进行估计。为此，我使用f1_score(y_true, y_pred, average = None)。没关系，我收到了相应的分数。但我不能理解的是--如何将结果与预测类关联起来。例如，我有以下训练和测试数据集：
train = pd.DataFrame({'c1' : [1,2,3,4], 'c2' : [1,2,3,4], 'y_true' : ['a','b','c','d]})
test = pd.DataFrame({'c1
浏览 0提问于2021-03-02得票数 0
2回答
我正在处理一个多模态分类问题(与Keras)。我有三个不同班级的1000、5000和10000个样本。我想做一个五倍交叉验证，以选择最好的预培训深入学习模式的部署。我包括在模型训练期间的课堂重量，以便给较少发音的课程更多的权重。对于给定的折叠，我将使用这三个类的200、1000和2000样本进行验证。在这种情况下，精确性是一个很好的预测手段吗？或者我也要测量F1分数和马修斯相关系数？我做得对吗？
浏览 0提问于2018-01-26得票数 3
回答已采纳
1回答
使用，可以通过在属性文件中设置选项来使用交叉验证，例如，这用于10倍交叉验证：
crossValidationFolds=10
printCrossValidationDecisions=true
shuffleTrainingData=true
shuffleSeed=1
运行这将输出，每倍，各种指标，如精度，召回，准确性/微观平均F1和宏观平均F1。
作为输出的一部分，是否有办法获得所有10个精度/微观平均F1或全部10个宏平均F1的平均或其他合计分数？
在Weka中，默认情况下，经过10倍交叉验证后的输出包括所有折叠的平均度量。斯坦福分类器中也有这样的选项吗？拥有最终的精确性，召回或F1
浏览 2提问于2016-04-01得票数 1
回答已采纳
1回答
在对模型选择进行交叉验证时，我发现有许多方法可以引用交叉验证分数的“标准差”(这里的“分数”是指一个评估指标，例如准确性、AUC、损失等)。
1)一种方法是计算K折叠分数的平均值的标准差(= K折叠的标准差/ sqrt(K))。
2)第二种方法是仅计算K倍分数的标准差。在这里可以找到一个例子：
3)另一种我不完全理解的方式。它似乎是计算K折叠/ sqrt(N)的标准差，其中N是数据集的大小。
就我个人而言，我认为1)是正确的，因为我们更关心的是样本平均值上的标准误差(这里=K折叠验证的平均分数)，而不是样本的标准偏差。有人能解释一下哪种方式更好吗？
浏览 6提问于2016-01-21得票数 3
我正在对数据集进行分类，并使用交叉验证进行建模。交叉验证给出了每个折叠的准确性，因为类是不平衡的，准确性是不正确的度量。我想得到AUC-ROC而不是准确性。
浏览 0提问于2019-04-20得票数 0
回答已采纳
我正在尝试分析我的结果，所以我在sklearn上使用了F1评分指标和分类报告。显示的结果与平均类型无关，完全不同。它一点也不匹配。我的验证数据示例 F1分数0.7666666666666667 但是分类报告的结果是： report precision recall f1-score support
0 0.16 0.57 0.25 7
1 0.40 0.09 0.14 23
accuracy 0.2
浏览 61提问于2020-01-17得票数 2
2回答
K折叠验证：
在这种情况下，您可以将数据拆分为相同大小的K个分区。对于每个分区i，在剩余的K-1分区上训练一个模型，并在分区i上对其进行评估。
你最后的分数是得到的K分的平均值。当模型的性能显示出基于火车测试拆分的显着差异时，这种方法是有帮助的。
用改组：迭代K折叠验证：
在这种情况下，您的可用数据相对较少，您需要尽可能精确地评估模型。
它包括多次应用K折叠验证，每次对数据进行洗牌，然后再以K方式拆分数据。最后的分数是在每一次K折叠验证中获得的分数的平均值。
我无法理解一个实现迭代k折叠，如果有人可以帮助一个示例代码或流程图，显示k折叠和迭代K折叠之间的差异。
浏览 0提问于2018-11-17得票数 4
1回答
我想使用sklearn的几个评估分数(NMI，ARI，F1)，使用一些合成数据来评估一种聚类方法。虽然NMI和ARI工作得很好，但在标签被交换的地方，我确实遇到了关于F1分数的问题，例如，真实标签是[0, 0, 0, 1, 1, 1]，而预测标签是[1, 1, 1, 0, 0, 0]。对于集群，这是一个完美的结果，因为两个集群都被正确识别，只有标签被切换:集群1具有标签0，反之亦然。F1分数似乎无法处理此问题，因为我的代码生成的F1分数为0.0。我假设发生这种情况是因为标签不具有相同的名称/编号，但是我不能手动为每个集群切换标签名称，因为这是一种很大的工作方式，特别是对于大型数据集，那么有没有
浏览 17提问于2019-10-26得票数 0
回答已采纳
2回答
我正在微调一个回答问题的机器人，从HuggingFace回购公司培训过的模型开始。
我用于微调的数据集有很多空的答案。因此，经过微调之后，当我使用刚刚创建的模型对数据集进行评估时，我发现EM分数(远高于F1分数)。(我知道，我不能使用相同的数据集进行培训和评估，这只是一个快速测试，以确保一切正常运行)
我认为这是因为当模型无法预测答案时，每个没有真正答案的问题都是匹配的，但作为NLP的非专家，我想知道这是否有意义？从理论上讲，这是可能的，还是我遗漏了一些重要的东西？
浏览 0提问于2021-08-05得票数 0
1回答
我对三种不同的f1计算感到困惑。对于严重不平衡的数据，我应该使用哪种f1评分？我正在研究一个严重不平衡的二进制分类。
‘f1’
‘f1_micro’
‘f1_macro’
‘f1_weighted’
另外，我想在balanced_accuracy评分参数中添加balanced_accuracy_score(y_true, y_pred, adjusted=True)。如何将其合并到我的代码中？
from sklearn.model_selection import cross_validate
from sklearn.metrics import make_scorer
from sklea
浏览 11提问于2021-04-07得票数 0
1回答
我使用随机森林创建了一个分类模型。为了验证模型，我使用K-折叠法进行10次分割，并通过f1-score测量模型性能。当我这样做的时候，我的前几个折叠的F1得分非常低，而其余折叠的F1得分非常高。
我期待在每个分裂的分数相同的范围。
代码：
from sklearn.ensemble.forest import RandomForestClassifier
from sklearn.model_selection._split import KFold
kf = KFold(n_splits=20,random_state=41)
f1list = []
for train_index,
浏览 1提问于2019-10-08得票数 0
我正在处理多标签分类任务的问题。但是，我无法理解精确性、回忆性和f-度量的计算公式，无论是宏观、微观还是零。此外，我理解了计算样本这些度量的公式。甚至，我也熟悉基于例子的、基于标签的和基于等级的度量标准.
例如,
import numpy as np
from sklearn.metrics import hamming_loss, accuracy_score, precision_score, recall_score, f1_score
from sklearn.metrics import multilabel_confusion_matrix
y_true = np.array([
浏览 0提问于2020-01-13得票数 3
回答已采纳
什么原因会导致F1分数不是精度和召回率的调和平均值，而多类的宏观平均加权相等？我的数据集是不平衡的，预测是不正确的。
浏览 33提问于2019-02-03得票数 0
针对毕火炬闪电中的二值分类问题，提出了一种分段神经网络模型。为了实现这一点，我使用了BCEWithLogitsLoss。我的真实和预测的形状分别是(BZ，640,256)，它们的内容分别是(0，1) 0，1。
现在，我正在尝试从火炬度量中用F1计算我的验证数据集中批量数据的F1Score分数，然后用Pytroch闪电的log_dict进行累积
from torchmetrics import F1Score
self.f1 = F1Score(num_classes=2)
我的验证步骤如下所示：
def validation_step(self, batch, batch_idx):
浏览 7提问于2022-02-18得票数 0
回答已采纳
2回答
黑色墨水溅满了你白色的一张打印机纸！最明显的解决办法是折叠纸张，使黑白部分相遇，随着油墨的扩散，两者都变成灰色。然后展开和改装，直到你的论文都是同样的灰色。
在这个编码挑战中，找到最好的折叠方式是你的任务。这个巴斯特宾包含四个大小不同的1和零网格。每个栅格代表一张你必须变成灰色的墨水飞溅的纸。零是纸，1是墨水。
在这些网格中，只有沿线和列之间的空间的水平和垂直褶皱是有效的。当折叠时，对重叠值进行平均。折叠一次只做一次，并且总是展开。折叠只改变油墨的分布，而不是纸张的大小。
Rn表示从第n列开始，将网格的左侧边缘折叠到右侧。Dn表示从第n行开始的网格向下折叠的顶部边缘。(n为1-索引)
示例
考
浏览 0提问于2014-07-10得票数 19
回答已采纳
我需要把一系列分数加起来，例如1/2 + 1/3 + 1/4 +.，然后返回一个双。如何避免或尽量减少舍入错误？
浏览 2提问于2015-08-21得票数 1
回答已采纳
1回答
Person是一个包含5个char数组而不包含其他任何内容的结构。
Score是我从一个函数中获得的一个浮点数，它使用一些Person字段来计算它。
由于复杂的原因，我不想将分数作为字段添加到struct Person中。
目标是根据分数的高低(从最低到最高)打印 person 的信息(字段)，为了做到这一点，我创建了这个结构，试图将分数连接到相应的人。
typedef struct PersonWithAScore {
Person* P;
float score;
};
(此外，创建该结构是否是正确的做法？)
PersonWithA
浏览 2提问于2021-02-19得票数 2
回答已采纳
1回答
我在一个不平衡的数据集上运行CatboostClassifier，二进制分类，优化日志丢失和度量F1评分。得到的图在F1:use_weights = True、F1:use_weights = False上显示了不同的结果，并给出了训练预测和验证预测的不同结果。
params = {
'iterations':500,
'learning_rate':0.2,
'eval_metric': 'F1',
'loss_function': 'Logloss',
浏览 7提问于2022-06-04得票数 -1
回答已采纳
正如我所了解的cross-validation算法，从web上的大多数文章中，有各种各样的cross-validation方法。在这里，我想澄清一下k折叠交叉验证技术。
在k-折叠交叉验证算法中，我们可以将训练集分割成k个不重叠的折叠。
当我们将训练数据分解成k个折叠时，我们必须在k个迭代中对模型进行训练。
因此，在每次迭代中，我们用(k-1)折叠来训练，用保持折叠来验证。
在每一次分裂中，我们都可以计算出模型所需的度量。
最后，我们可以通过所有迭代的平均分数来报告训练误差。但是，最终训练的模型是什么？
这些文章中的一些观点对我来说不太清楚？
我应该在每次迭代中启动模型的参数吗？我问这个问
浏览 2提问于2022-07-26得票数 0
我尝试用滑雪板分类报告计算“加权”f1评分，这似乎与用F1 = 2*((p*r)/(p+r))计算f1评分不同。例如：
看看找到的例子，看看加权平均线：
precision recall f1-score support
weighted avg 0.70 0.60 0.61 5
计算出来时，我得到：0.646153846 = 2*((0.70*0.60)/(0.70+0.60))，这与0.61不同。为什么会这样呢？这个f1分数是如何计算的？
浏览 3提问于2020-03-04得票数 1
回答已采纳
1回答
在训练期间，我忘记将模型和模型的预测保存在测试集上。我只有F1、精确度和召回率分数。我想知道是否有任何方法可以仅根据F1，精度和召回率分数来计算准确率？ f1 = 0.9466979550787799
precision = 0.9424328383113633
recall = 0.951001852163664
浏览 17提问于2019-12-27得票数 1
1回答
高度不平衡数据集的f1评分选择？
、、、、
为了更好的评价，我很困惑是用f1评分和“微观”平均分还是“宏观”平均分。考虑到我的数据集高度不平衡(600:100000)
浏览 0提问于2019-08-22得票数 0
1回答
为了获得最好的交叉验证的f1分数，我这样做
grid_search = GridSearchCV(pipeline, param_grid=param_grid, cv=10, verbose=10, scoring='f1')
grid_result = grid_search.fit(X_train, y_train)
print("best parameters", grid_search.best_params_)
print('Best score : {}'.format(grid_search.best_score_))
但是对于
浏览 0提问于2018-06-17得票数 0
回答已采纳
根据我在CLS上所读到的内容，它使用了以下公式(基本上是viewport中的内容)：
影响区域/视口面积=影响分数
最大移动距离/视口高度=距离分数
影响分数x距离分数=单个动画帧的布局移位分数
谷歌是否计算出折页下面内容的CLS？从理论上讲，例如，如果我离页面很远，点击一个链接，那么我想回到前一页。上面的所有内容都不能移动，这样我就回到了页面上的同一个位置。但在谷歌的网页速度洞察，屏幕抓取只是上面的折叠内容。
或者，这是一个实验室数据在折叠CLS和现场数据之上计算出所有每个人在过去28天中遇到的CLS的情况吗？包括按回页面(你已经滚动了很多)和事情的变化。
浏览 0提问于2021-03-09得票数 4
我一直在尝试使用5折交叉验证来对高度不平衡的数据进行分类。我的样本量是：
总样本: 12237899
阳性样本: 1064份(占总数的0.01%)
我也想避免数据泄露。然而，我得到了相当低的平均精度分数和F-1分数。我使用加权逻辑回归来帮助我处理不平衡的数据，因为SMOTE在存在极不平衡的数据时不能很好地工作。另外，我在sklearn库中看到了F-1分数的几个选项。例如: f1 score有一个参数:average{‘微’，‘宏’，‘样本’，‘加权’，‘二进制’}。不确定我应该使用哪一个？另外，它与cross_val_score(clf，X，y，cv=5，scoring='f1'
浏览 0提问于2021-04-03得票数 1
当我们有一个不平衡的机器学习问题时，让我们假设一个二进制分类问题，其中0类是多数类，1类是少数类。这里第一课对你来说是最重要的课程。现在，您的数据集由100个样本组成:70个来自0类的样本和30个来自第1类的样本。
在这种情况下，通常定义并使用加权二进制交叉熵损失函数来计算损失。
classweights = torch.FloarTensor([1.000, 1.300])
weighted_loss = torch.nn.BCELoss(weight = classweights)
对于像F1评分这样的度量标准，是否需要使用这些权重？
sample_classweights = sklea
浏览 0提问于2020-09-02得票数 0
回答已采纳
1回答
我是机器学习的初学者，正在尝试解决一个分类问题。我正在处理一个非常不平衡(顺序)的数据集( 20k条记录中只有2%是正的)，并且我正在使用LSTM/GRUs使用tensorflow在python中建模。
这就是我要做的:加载数据。将数据集分成3个数据集:A用于训练(70%)，B用于验证(15%)，C用于测试(15%)；对于每个数据集(A，B，C)，对阳性类进行过采样，以便将阳性百分比从2%提高到30%。这给了我3个更平衡的新数据集:A‘，B’，C‘
然后，我使用GRU使用数据集A‘训练我的模型。
我的目标:在我的测试集C上获得最高的F分数(有没有更好的指标？据我所见，F分数取决于数据分布，即数
浏览 21提问于2017-07-04得票数 3
我正在使用滑雪板来训练一些模型(随机森林，决策树)。对于培训，我使用RandomsearchCV与分层k-折叠作为交叉验证。然后我对测试集做了预测，并计算了测试分数。
不过，我想比较一下考试成绩和训练成绩。我以为我可以用来自mean_train_score of _cv_results_的RandomseachCV报告作为模型的训练分数，因为我认为它会显示出对k-折叠的hould out的验证。但是，我不确定这一点，因为也有一个_mean_test_score。
我在寻找mean_train_score和mean_test_score的解释。我知道这些分数也适用于单面折叠。但这些分数是如何计算
浏览 0提问于2019-12-09得票数 2
回答已采纳
我是机器学习的新手，并且在我的模型上使用k折叠交叉验证。我正在使用。
文档声明cross_val_score返回一个“分数”数组。分数和准确性一样吗？我在网上找不到答案。
浏览 0提问于2019-09-08得票数 3
回答已采纳
2回答
我有两个给出精度和召回率分数的函数，我需要在使用这两个分数的同一个库中定义一个调和均值函数。这些函数如下所示：
以下是函数：
def precision(ref, hyp):
"""Calculates precision.
Args:
- ref: a list of 0's and 1's extracted from a reference file
- hyp: a list of 0's and 1's extracted from a hypothesis file
Returns:
浏览 0提问于2012-12-13得票数 2
回答已采纳
3回答
我创建了一个类，它被设计成接受两个分数，每个分数都有一个分子和分母，并将它们相加，输出另一个分数。
当我编写程序时，我会遇到一个问题，涉及：
分数F3 =新的Fraction.add (F1，F2)；在主要方法中
错误:未找到类型分数$add
如果我让所有的东西都是一个类，程序就会运行，但是我希望所有的方法都严格地在分数类中，并调用UseFraction类中的分数。
import java.io.*;
import java.util.*;
import java.text.*;
public final class Fraction
{
private int numerator
浏览 3提问于2013-02-01得票数 0
回答已采纳
嗨，我是python和AI的新手，我试图解释我的f1_scores，我意识到如果我基于混淆矩阵使用f1 = 2TP / (2TP + FP + FN)手动计算我的F1分数，它与sklearn.metrics返回给我的结果是不同的。 这是我的代码 dataset = pd.read_csv('diabetes-data.csv')
zero_not_accepted = ['Glucose', 'BloodPressure', 'SkinThickness', 'BMI', 'Insulin']
浏览 97提问于2021-07-04得票数 0
回答已采纳
我正在创建以下度量，它计算所有学生的平均分数，不包括分数为零的学生。
measure= calculate(average(table[score]),filter(table, table[score]<>0))
但是，我想使用切片器将此度量与选定的学生分数进行比较。
new measure= calculate(average(table[score]),all(table[student]),filter(table, table[score]<>0))
然而，新的测量是与学生相同的分数，并且它没有忽略切片器。
浏览 0提问于2020-02-03得票数 1
1回答
我知道f1分数，它使用精确度和召回率。但是，mean f1 score中的“mean”是什么？当我们使用它的时候，如何计算“均值”？
编辑以明确解释我的问题:我知道f1分数是准确率和召回率的调和平均值。并且在计算f1得分时，需要多个分类结果来计算准确率和召回率。
例如，如果我们有一个由1000个实例组成的数据集，我们可以得到1000个分类结果。然后我们把它放到列联表中，这样我们就可以计算f1分数了。
现在，这是我与“平均”f1分数混淆的点。我们从列联表中计算f1得分，但是什么是“均值”？只有我可以计算f1分数，那么什么是“平均”，如何计算“平均”f1分数？
浏览 19提问于2017-08-10得票数 1
回答已采纳
1回答
在随机森林中跨折叠的性能
、、、、
当我使用caret训练一个随机森林时，我试图获得所有折叠的敏感度、特异度、ppv和npv (或者混淆矩阵也可以工作)，但特别是当我改变阈值时。我知道通常使用默认阈值，您可以使用model$resample为您提供所有折叠的度量，但我如何在新的阈值下做到这一点？
这是我的模型：
ctrl <- trainControl(method = "cv",
number = 5,
savePredictions = TRUE,
summaryFunction = TwoClassS
浏览 1提问于2020-05-29得票数 0
1回答
我有一个图表，在我运行一个宏来展开/折叠分组的行后，该图表没有更新。如果我手动展开和折叠它们，它可以很好地工作，图表看起来也很好。
自动公式处于打开状态。奇怪的是，如果我只删除工作簿中的任意一行，图表就会刷新，值就会恢复到应该的值，而不是#VALUE!。我尝试将此代码添加到我的宏中，但仍然没有结果。
下面是我的宏中包含的内容。还有- Excel 2016。
Function CountCcolor(range_data As Range, criteria As Range) As Long
Dim datax As Range
Dim xcolor As Long
xcolo
浏览 13提问于2017-05-16得票数 0
我有一个数据集，我已经应用分层K折叠交叉验证，并将数据分成5倍。然后应用Logistic回归。对于评估，我已经得到了精确的召回和f1评分的每一个折叠。最后，我必须报告这些评价的数字(精确，回忆和f1评分)，我是否允许平均精度所有5倍，以表示只是平均值相同的回忆和f1评分。因为我已经列出了每一个评价分数在K折叠后的五个值。
浏览 9提问于2022-04-16得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
