我有一个多标签分类器产生的结果,我想用python中的sklearn.metrics
计算微观和宏观精度、召回率和F1分数,但不太清楚如何计算。在
我有两个二进制稀疏矩阵,dataOUT
和{nLabels X nSamples
。每个样本可以用一个或多个标签进行标记,因此如果分类器使用第i
标记第j
个样本,则dataOUT[i,j]
为{
对于任何给定的类i
,我可以通过从dataOUT
中提取第i
行来轻松计算正则精度、召回率和F分数,dataGT
可以将这些输入到sklearn.metrics.precision_recall_fscore_support
,例如:
import numpy as np
from sklearn.metrics import precision_recall_fscore_support
iLabel = 5 # some specific label
yOUT = np.asarray(dataOUT[iLabel,:].todense()).reshape(-1)
yGT = np.asarray(dataGT[iLabel,:].todense()).reshape(-1)
ps,rs,fs,ss = precision_recall_fscore_support(yGT,yOUT)
p = ps[1] # Precision for iLabel
r = rs[1] # Recall for iLabel
f1 = fs[1] # F1 for iLabel
但是,如何计算整个数据集的微观和宏观度量,即如何为(dataOUT,dataGT)
对而不是分别为每个标签获取一个micro-(p,R,F)和一个宏-(p,R,F)三元组呢?在
谢谢!在
scikit learn中的大多数度量支持多标签参数。 sklearn.metrics.precision_recall_fscore_support 如果文件上说:
你只需输入整个y矩阵和基真矩阵。但这些矩阵必须有[n_samples,n_labels]的形状,换句话说,矩阵的每一行都必须对应于同一样本的一组标签,而每一列都必须对应于某个标签。所以你应该转换矩阵。在
同时阅读此Multiclass and multilabel classification
相关问题 更多 >
编程相关推荐