f-score：ValueError：分类指标无法处理多标签指标和连续多输出目标的混合

Question

我正在尝试为我的模型所做的预测计算微 F 度量。我使用带有 Keras 和 Tensorflow 的 word2vec 向量训练了模型。我使用 scikit 库来计算 mirco F 度量。

但该函数会抛出此消息：

ValueError: Classification metrics can't handle a mix of multilabel-indicator and continuous-multioutput targets

另外，我做的预测对吗？我在x_train(wordVectors) 和y_train(resultVectors) 上训练了模型，并在x_test 和y_test 上进行了验证。

现在我对x_test 进行了预测，并想使用y_test 评估预测。到目前为止我做得对吗？

预测数组如下所示：

[[ 1.7533608e-02  5.8055294e+01  2.2185498e-03 ... -1.2394511e-03
   1.0454212e+00 -1.6698670e-03]
 [ 1.7539740e-02  5.8173992e+01  2.1747553e-03 ... -1.2764656e-03
   1.0475068e+00 -1.6941782e-03]
 [ 1.7591618e-02  5.8222389e+01  2.2053251e-03 ... -1.2856000e-03
   1.0484750e+00 -1.6668942e-03] ...

真实值如下所示：

[[0 0 0 ... 0 0 0]
 [0 0 0 ... 0 0 0]
 [0 0 0 ... 0 0 0]...

我已经尝试将两个数组都转换为二进制值（使用np.argmax(..., axis=1)）。然后没有错误，我得到了大约 0.59 的微 F 测量值……这太高了，所以我认为我做错了。 我的问题是是否有另一种转换数据的方法？我可以将预测转换为多标签指标值吗？

model = load_model('model.h5')
prediction = model.predict(x_test)

prediction_binary = np.argmax(prediction, axis=1)
y_test_binary = np.argmax(y_test, axis=1)

print(f1_score(y_test_binary, prediction_binary, average='micro'))

我希望输出为

Answer 1

问题在于，您仅在输出向量的最大值预测的标签上计算指标，而测试向量只有一个值。

确实，np.argmax 只返回一个值，即使向量有多个最小值。 例如np.argmax([0,0,1,0,1,1]) 将只返回 2。

由于您的问题包含多标签分类问题，您希望您的输入可能被分类为多个类别。为此，您必须将分类器的输出向量转换为与测试向量相同的形状。

你可以这样做：

prediction_int = np.zeroes_like(prediction)
prediction_int[prediction > 0.5] = 1