Macro F1 and Macro F1是2019年的一篇关于两种宏观F1-score的计算方式的详细讲解。

pytorch中训练完网络后，需要对学习的结果进行测试。官网上例程用的方法统统都是正确率，使用的是torch.eq()这个函数。 但是为了更精细的评价结果，我们还需要计算其他各个指标。在把官网API翻了一遍之后发现并没有用于计算TP，TN，FP，FN的函数。。。 在动了无数歪脑筋之后，心想pytorch完全支持numpy，那能不能直接进行判断，试了一下果然可以，上代码： # TP predict 和 label 同时为1 TP += ((pred_choice == 1) & (target.data == 1)).cpu().sum() # TN predict 和 label 同时为0

今天小编就为大家分享一篇在pytorch 中计算精度、回归率、F1 score等指标的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

给定一个混淆矩阵作为输入，该函数计算感兴趣的主要统计数据（包括宏 AVG 和 microAVG）： 'name' 'classes' 'macroAVG' 'microAVG' 精度// / xo 特异性 // / / xo 灵敏度 / / / xo 准确度 / / / xo F1-score // / / xo