Python 如何反转标签的一个热编码以评估ML/DL模型？

这个问题在Stackoverflow上已经提到过几次了，但是没有一次提供了我目前面临的问题/错误的解决方案

目前，我作为标签使用的数据集的y必须使用一种热编码进行转换，以便我的深度学习网络/模型能够将其作为分类信息处理

但是现在问题出现了，为了评估我的数据，它需要重新使用原始标签来预测y

import pandas as pd
import numpy as np

keypoints = pd.read_csv('keypoints.csv')

X = keypoints.iloc[:,1:76]
y = keypoints.iloc[:,-1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0, stratify=y)

这里y是3个不同标签的列表，比如a、B和C，形状为（63564,1）

因此，使用一个热编码，我能够将其拆分：

le = LabelEncoder()
y = le.fit_transform(y)
ohe = OneHotEncoder(categorical_features = [0])
y = ohe.fit_transform(y[:,None]).toarray()

这里的新y的形状为（63564,3），看起来像：

[[0. 0. 1.]
 [0. 0. 1.]
 [0. 0. 1.]
 ...
 [1. 0. 0.]
 [1. 0. 0.]
 [1. 0. 0.]]

运行我的深度学习网络后，我希望通过以下方式对其进行评估：

......
#Evaluation and such
y_pred = model.predict(X_test, verbose=0)
y_classes = model.predict_classes(X_test, verbose=0)

#Reduce to 1D
y_pred = y_pred[:, 0]
y_classes = y_classes[:, 0]

#Confution Matrix
print(confusion_matrix(y_test, y_classes))

#Accuracy: (tp + tn) / (p + n)
accuracy = accuracy_score(y_test, y_classes)
print('Accuracy: %f' % accuracy)
#Precision tp / (tp + fp)
precision = precision_score(y_test, y_classes)
print('Precision: %f' % precision)
#Recall: tp / (tp + fn)
recall = recall_score(y_test, y_classes)
print('Recall: %f' % recall)
#F1: 2 tp / (2 tp + fp + fn)
f1 = f1_score(y_test, y_classes)
print('F1 score: %f' % f1)

但这当然不会接受0和1作为标签：

ValueError:分类指标无法处理未知和未知数据的混合 连续多输出目标

所以我的问题是

如何重新设置一个热编码标签，以便运行 我的DL模型的评估

---

您可能需要

逆变换

，如

---

您可以使用

argmax

将概率转换为分类决策：

y_test_classes = y_test.argmax(1)
y_pred_classes = y_pred.argmax(1)

print(confusion_matrix(y_true=y_test_classes, y_pred=y_pred_classes, labels=['A', 'B', 'C']))

用这个。您想首先使用argmax函数转换一个热编码数据，以比较您的预测。”

---

说到预测部分，您想将1D数组转换为第3行中所述的2D数组，谢谢您的回复，但我对前两行的命名感到困惑，因为它们没有在打印混淆矩阵行中重复使用？因为我在应用上述内容时仍然会遇到相同的错误。感谢您的编辑，不幸的是，我仍然会遇到错误值错误：分类指标无法处理多标签指标和多类别目标的混合。-y_test_类和y_pred_类的输出如下：y_test_类-->

[[0 0 0][0 0][0 0 0]…[0 0 0 0 0 0][0 0 0]

-y_test_类.shape-->

（12713，3）

-y_pred_类-->

[2 0…0 0 0 2]

y_pred_类.shape-->

<12713，

谢谢您的回复，不幸的是，我无法让它工作。因为我在y上应用了我的一个热编码，然后将其馈送到序列测试分割，当我将y返回到逆变换时，混淆矩阵的维度不匹配：

ValueError:找到了样本数不一致的输入变量：[1271363564]

将y\u测试作为输入进行逆变换，会产生以下错误：

ValueError:Found array with dim 3。预计估计数
y_test_classes = y_test.argmax(1)
y_pred_classes = y_pred.argmax(1)

print(confusion_matrix(y_true=y_test_classes, y_pred=y_pred_classes, labels=['A', 'B', 'C']))

y_classes = np.argmax(y_test_4, axis=1)


y_classes = model_4.predict_classes(x_test_4, verbose=0)
y_classes =  np.reshape(yhat_classes_4, (-1, 1))

y_classes= y_classes[:, 0]
 
# accuracy: (tp + tn) / (p + n)
accuracy_4 = accuracy_score(y_test_classes_4, y_classes)
print('Accuracy: %f' % accuracy_4)
# precision tp / (tp + fp)
precision_4 = precision_score(y_test_classes_4, y_classes)
print('Precision: %f' % precision_4)
# recall: tp / (tp + fn)
recall_4 = recall_score(y_test_classes_4, y_classes)
print('Recall: %f' % recall_4)
# f1: 2 tp / (2 tp + fp + fn)
f1_4 = f1_score(y_test_classes_4, y_classes)
print('F1 score: %f' % f1_4)