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

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，但我不太清楚如何计算

我有两个二进制稀疏矩阵，

dataOUT

和

dataGT

，分别表示同一数据集的分类结果和基本事实。这两个矩阵的大小都是

nLabels X nSamples

。每个样本可以用一个或多个标签标记，因此如果分类器用

i

th标签标记

j

th样本，则

dataOUT[i，j]

为

1

，否则为

0

对于任何给定的类

i

，我都可以通过从

dataOUT

中提取

i

th行来轻松计算常规精度、召回率和F分数，

dataGT

可以将这些行提供给

sklearn.metrics.precision\u recall\u fscore\u 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）

对而不是每个标签分别获得单个微观-（p，R，F）和单个宏观-（p，R，F）三元组

---

谢谢

scikit learn中的大多数指标都支持多标签参数。 如果文件说明：

1d类数组，或标签指示符数组/稀疏矩阵

你们可以用整个y矩阵和地面真矩阵来输入度量。但这些矩阵必须具有形状[n_样本，n_标签]，换句话说，该矩阵的每一行必须对应于同一样本的一组标签，每一列必须对应于某个标签。所以你应该转置你的矩阵

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

也读一下这个