如何使用sklearn.metrics公司为多标签分类任务计算微观/宏观度量？

Question

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{}，它们分别代表同一数据集的分类结果和基本真实性。两种基质的大小都是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{}，否则{}。在

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

Answer 1

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：

1d array-like, or label indicator array / sparse matrix

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

ps,rs,fs,ss = precision_recall_fscore_support(dataGT.T, dataOUT.T)

同时阅读此Multiclass and multilabel classification