如何使用 sklearn.metrics 计算多标签分类任务的微观/宏观度量？答案

【问题标题】：How do I use sklearn.metrics to compute micro/macro measures for multilabel classification task?如何使用 sklearn.metrics 计算多标签分类任务的微观/宏观度量？
【发布时间】：2016-02-02 20:47:27
【问题描述】：

我有一个多标签分类器产生的结果，我想在 python 中使用sklearn.metrics 计算微观和宏观精度、召回和 F1 分数，但不太清楚如何计算。

我有两个二元稀疏矩阵dataOUT 和dataGT，它们分别代表同一数据集的分类结果和基本事实。两个矩阵的大小都是nLabels X nSamples。每个样本都可以用一个或多个标签进行标记，因此如果分类器标记为jth 的样本带有ith 标签，则dataOUT[i,j] 是1，否则0。

对于任何给定的类i，我可以通过从dataOUT 和dataGT 中提取ith 行来轻松计算常规精度、召回率和F-score，可以将它们提供给sklearn.metrics.precision_recall_fscore_support，例如像这样：

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

但是我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？

谢谢！

【问题讨论】：

标签： python scikit-learn precision-recall

【解决方案1】：

scikit-learn 中的大多数指标都支持多标签参数。 sklearn.metrics.precision_recall_fscore_support 如果文档说：

一维数组，或标签指示数组/稀疏矩阵

您可以只使用整个 y 矩阵和地面真实矩阵来提供度量。但是这些矩阵必须具有形状 [n_samples, n_labels]，换句话说，该矩阵的每一行都必须对应于同一样本的一组标签，并且每一列都对应于某个标签。所以你应该转置你的矩阵。

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

另请阅读Multiclass and multilabel classification

【讨论】：