Machine learning 如何使用Scikit中的OneVsRestClassifier学习分析使用多类分类预测每个单独类的性能？

scikit学习网站上的OneVsRestClassifier文档中说明了以下内容：

由于每个类仅由一个和一个分类器表示，因此可以通过检查其相应的分类器来获得有关该类的知识

但它没有解释如何做到这一点，我也看不出本页文档中的任何方法是如何做到这一点的。我希望能够打印出每个类的模型精度，这样我就可以看到它在预测每个类时的性能

到目前为止，我所拥有的代码如下所示，但我真的不知道从这里可以走到哪里，因为文档中似乎没有解释如何做到这一点的内容。非常感谢您的帮助

def predict_one_vs_rest(self):
    clf = OneVsRestClassifier(LinearSVC(random_state=0))
    clf.fit(self.X, self.y)
    result = clf.classes_
    estimators = clf.estimators_
    print(result)
    print("")
    print(estimators)

---

您不需要在OneVsRestClassifier中包装LinearSVC。正如上面明确指出的，LinearSVC已经支持多类分类。

---

例如，为了检查分类的准确性，您可以使用混淆矩阵或分类报告。

为此，我最终使用了分类报告。@Andreas Mueller我想知道，如果我要使用的是不支持多类或多标签分类的分类器，该怎么办？在这种情况下，似乎需要一个VSRESTClassifier，如何按照OP中的要求评估每个类的性能？sklearn中的所有分类器都支持多类。对于多标签，如果估计器不支持，您确实可以使用OVR。不过，使用或不使用OVR对评估没有任何影响。您可以在文档中查看哪些指标支持多标签任务。@AndreasMueller:我正在使用多类线性回归分类器。它给出了50%的总准确度。当我想要绘制ROC曲线时，我需要使用OVR和线性回归，这会得到27%的分数。但是ROC曲线和混淆矩阵一样好，所有类别的面积都接近0.8。精度差的原因是什么。@bmuRuer是的，这将允许您使用多核。一般来说，这并不一定意味着它更快，但我认为SVC中的OvO是完全串行的，并且没有常见的计算，所以我认为它应该更快。（请注意，SVC在内部使用OvO而不是OvR）。