Python 多类分类图？

我浏览了scikit学习文档，发现大多数曲线绘制支持都是基于二进制分类的

我想为我的多类分类器绘制精确回忆曲线和学习曲线

model1=LogisticRegression()
y_d = model1.predict_proba(matrix_test)

我想知道是否有任何方法可以用稀疏矩阵（2242822000）和np数组（22428，）来绘制我的分类器的精度回忆曲线和学习曲线？

如果你看一下，你可以看到有一种不对称性，不能直接转换到更高的维度。假设类是C1和C2，那么任意地，其中一个被认为是“真的”，另一个被认为是“假的”（您还可以注意到，没有对称性：颠倒“真”和“假”不会得到相同的结果）。在更高的维度中，这根本无法直接实现

不过，有很多方法可以提出启发式扩展。假设你的班级是C1，…，Cm。您可以从Ci类的角度计算m精度和召回率，然后取（加权）平均值。权重可能反映了类的重要性

请注意，这正是用于二进制情况的方案，其中“真”类的权重选择为1，“假”类的权重选择为0（再次强调此分数的任意不对称性）

就实现而言，这是微不足道的。假设您的混淆矩阵为

m

。然后从i类的角度来看，精度是

m[i，i]/np.sum（m[：，i]）

，召回率是

m[i，i]/np.sum（m[i，：]）

，

，如果你看这个，你可以看到那里有一种不对称性，它不会直接转化为更高的维度。假设类是C1和C2，那么任意地，其中一个被认为是“真的”，另一个被认为是“假的”（您还可以注意到，没有对称性：颠倒“真”和“假”不会得到相同的结果）。在更高的维度中，这根本无法直接实现

不过，有很多方法可以提出启发式扩展。假设你的班级是C1，…，Cm。您可以从Ci类的角度计算m精度和召回率，然后取（加权）平均值。权重可能反映了类的重要性

请注意，这正是用于二进制情况的方案，其中“真”类的权重选择为1，“假”类的权重选择为0（再次强调此分数的任意不对称性）

---

就实现而言，这是微不足道的。假设您的混淆矩阵为

m

。然后从i类的角度来看，精度是

m[i，i]/np.sum（m[：，i]）

，召回率是

m[i，i]/np.sum（m[i，：]）

，

Hi，感谢您的详细解释。因此，就学习曲线和精度-回忆曲线而言，不可能获得多类分类的可视化结果？@minks，不客气。不直接。问题是概念本身的定义不超过2个类。不过，我试图概述如何减少产量。这种减少可以绘制出来。如果有什么不清楚的地方，请回答。嗨，谢谢你的详细解释。因此，就学习曲线和精度-回忆曲线而言，不可能获得多类分类的可视化结果？@minks，不客气。不直接。问题是概念本身的定义不超过2个类。不过，我试图概述如何减少产量。这种减少可以绘制出来。如果有什么不清楚的地方。