Python ValueError:pos#u label=1不是有效的标签：数组（['；neg'；，'；pos'；]，dtype='；lt；U3'；）

我在尝试获取回忆分数时收到此错误

X_test = test_pos_vec + test_neg_vec
Y_test = ["pos"] * len(test_pos_vec) + ["neg"] * len(test_neg_vec)

recall_average = recall_score(Y_test, y_predict, average="binary")

print(recall_average)

这将给我：

    C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\metrics\classification.py:1030: FutureWarning: elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison
  if pos_label not in present_labels:
Traceback (most recent call last):
  File "G:/PyCharmProjects/NB/accuracy/script.py", line 812, in <module>
    main()
  File "G:/PyCharmProjects/NB/accuracy/script.py", line 91, in main
    evaluate_model(model, train_pos_vec, train_neg_vec, test_pos_vec, test_neg_vec, False)
  File "G:/PyCharmProjects/NB/accuracy/script.py", line 648, in evaluate_model
    recall_average = recall_score(Y_test, y_predict, average="binary")
  File "C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\metrics\classification.py", line 1359, in recall_score
    sample_weight=sample_weight)
  File "C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\metrics\classification.py", line 1036, in precision_recall_fscore_support
    (pos_label, present_labels))
ValueError: pos_label=1 is not a valid label: array(['neg', 'pos'],
      dtype='<U3')

但这给了我另一个错误：

    C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\metrics\classification.py:181: FutureWarning: elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison
  score = y_true == y_pred
Traceback (most recent call last):
  File "G:/PyCharmProjects/NB/accuracy/script.py", line 812, in <module>
    main()
  File "G:/PyCharmProjects/NB/accuracy/script.py", line 91, in main
    evaluate_model(model, train_pos_vec, train_neg_vec, test_pos_vec, test_neg_vec, False)
  File "G:/PyCharmProjects/NB/accuracy/script.py", line 648, in evaluate_model
    recall_average = recall_score(Y_test, y_predict, average="binary")
  File "C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\metrics\classification.py", line 1359, in recall_score
    sample_weight=sample_weight)
  File "C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\metrics\classification.py", line 1026, in precision_recall_fscore_support
    present_labels = unique_labels(y_true, y_pred)
  File "C:\Users\anca_elena.moisa\AppData\Local\Programs\Python\Python36\lib\site-packages\sklearn\utils\multiclass.py", line 103, in unique_labels
    raise ValueError("Mix of label input types (string and number)")
ValueError: Mix of label input types (string and number)

C:\Users\anca\u elena.moisa\AppData\Local\Programs\Python\Python36\lib\site packages\sklearn\metrics\classification.py:181:FutureWarning:elementwise比较失败；而是返回标量，但将来将执行元素级比较
分数=y_真==y_预测
回溯（最近一次呼叫最后一次）：
文件“G:/PyCharmProjects/NB/accurity/script.py”，第812行，在
main（）
文件“G:/PyCharmProjects/NB/accurity/script.py”，第91行，主目录
评估模型（模型、训练正向量、训练负向量、测试正向量、测试负向量、假）
文件“G:/PyCharmProjects/NB/accurity/script.py”，第648行，在评估模型中
回忆平均值=回忆得分（Y_测试，Y_预测，平均值=“二进制”）
文件“C:\Users\anca\u elena.moisa\AppData\Local\Programs\Python\36\lib\site packages\sklearn\metrics\classification.py”，第1359行，在召回评分中
样品重量=样品重量）
文件“C:\Users\anca\u elena.moisa\AppData\Local\Programs\Python\36\lib\site packages\sklearn\metrics\classification.py”，第1026行，在precision\u recall\u fscore\u支持中
当前标签=唯一标签（y_true，y_pred）
文件“C:\Users\anca\u elena.moisa\AppData\Local\Programs\Python\Python36\lib\site packages\sklearn\utils\multiclass.py”，第103行，使用唯一标签
raise VALUERROR（“标签输入类型（字符串和数字）的混合）”
ValueError:标签输入类型（字符串和数字）的混合

我想做的是获得指标：准确度、精密度、召回率、f_度量。使用

average='weighted'

，我得到了相同的结果：准确率=召回率。我想这是不正确的，所以我更改了

average='binary'

，但是我有这些错误。有什么想法吗

recall_average = recall_score(Y_test, y_predict, average="binary", pos_label="neg")

---

使用

“neg”

或

“pos”

作为

pos\u标签

，此错误将不会再次出现。

用

（pos\u标签=pos）指示您的积极等级

因此，请使用：

Recall=recall_score(Y_test, Y_predict, pos_label='pos') 

---

当您遇到此错误时，这意味着您的

目标
变量的值不是
召回分数（）
的预期值，默认情况下，正面情况下为1，负面情况下为0。[这也适用于
精度分数（）
]

根据您提到的错误：

pos_label=1 is not a valid label: array(['neg', 'pos']

很明显，积极情景的值是
pos
而不是
1
，消极情景的值是
neg
而不是
0



然后，您必须选择以下选项来修复此不匹配：


在 RealLySCORE（）/CUT>中更改值默认值，以考虑“<代码> POS < /代码>出现时的积极场景：


将数据集中目标变量的值更改为
1
或
0

你能发布你的
recall\u average
方法吗？
recall\u average
只是一个变量名称。对不起，我发布此方法时，将变量
recall\u average
重命名为
recall
。现在我编辑了这篇文章。它们来自python import
和sklearn。metrics import roc\u曲线、auc、f1\u分数、召回分数、精度分数
@MihaiAlexandru Ionut
召回分数（）
是来自
sklearn
的函数。由于OP正在进行二进制分类，只需在调用
recall\u score（）中设置
pos\u label='neg'
。由于召回率和精度有两个分数i）关于-ve值ii）关于+ve值，因此您需要在pos_标签中传递其中一个值，以便函数可以返回该pos标签的分数。此注释确实增加了答案有效的原因。我现在得到了这个错误ValueError:pos_label='neg'是无效的标签：数组（['0'，'1'，dtype=”它不应该是“pos_label='pos'”，在“pos”周围有连字符吗？@Moritz是的！发现得很好
pos_label=1 is not a valid label: array(['neg', 'pos']

recall_average = recall_score(Y_test, y_predict, average="binary", pos_label='pos') 

Y_test = Y_test.map({'pos': 1, 'neg': 0}).astype(int)