原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
9问题4：基于集成机器学习模型的职业资格的评测
9.1模型评估指标体系
9.1.1F1分数
对抽样方法进行对比，可基于智能合约来评价本文的研究。本文在同一测试集上使用
了三个分类器，即XGBoost分类器、GBDT分类器和RUSBoost分类器，每个分类器由三
个不同的训练集进行训练，即原始训练集、用SMOTE平衡的训练集和用SMOTETomek平
衡的训练集合。
选择Micro-F1和Macro-F1作为分类的评价指标。MicroF1和Macro-F1是用于评估多
错误未找到引用源。
标记分类的测量值!。当计算Micro-F1时，该值容易受到具有许多样本的类别的
错误未找到引用源。
分类结果的影响!。计算Macro-F1时，无论每个类别中的样本数量如何，每个类
别的权重都是相等的类别Micro-F1和Macro-F1的定义如下
1n1n
macro−PP,macro=−RR(1)
ii
ni1ni1
2macro−Pmacro−R
macro−F1=(2)
macro−P+macro−R
TPTP
micro−P,micro=−R(3)
TP+FPTP+FN
2micro−Pmicro−R
macro−F1=(4)
micro−P+micro−R
其中真阳性（TP）是正确分类为阳性样本的阳性样本数量；真阴性（TN）是正确分
类的阴性样本的数量；假阳性（FP）是错误分类为阳性样本的阴性样本数量，假阴性
（FN）是错误归类为阴性样本的阳性样本数量。TP、FP和FN分别为TP、FP、FN的平
错误未找到引用源。
均值!。
在分类器的比较过程中，本文进行了全面的实验，以比较基于三个多标签分类器（即
错误未找到引用源。
XGBoost分类器、GBDT分类器和RUSBoost分类器）的性能!。F1分数、Micro-
F1、Macro-F1用于测量分类器的性能。F1分数是用于评估二元分类器的度量，它被定义
为召回（R）和精度（P）的加权调和平均值。与几何平均值（G-mean）相比，它更重视
正类，并定义为
2
PR
F1−score=
文档评论（0）