Python MxNet metrics API用于计算带有向量标签的多类逻辑回归的精度

如何使用MxNet计算带有向量标签的多类逻辑回归分类器的精度？ 以下是标签的示例：

Class1: [1,0,0,0]
Class2: [0,1,0,0]
Class3: [0,0,1,0]
Class4: [0,0,0,1]

使用此函数的简单方法会产生错误的结果，因为argmax会将模型输出压缩为具有最大概率值的索引

def evaluate_accuracy(data_iterator, ctx, net):
    acc = mx.metric.Accuracy()
    for i, (data, label) in enumerate(data_iterator):
        data = data.as_in_context(ctx)
        label = label.as_in_context(ctx)
        out = net(data)
        p = nd.argmax(out, axis=1)
        acc.update(preds=p, labels=label)
    return acc.get()[1]

我目前的解决方案有点老套：

def evaluate_accuracy(data_iterator, ctx, net):
    acc = mx.metric.Accuracy()
    for i, (data, label) in enumerate(data_iterator):
        data = data.as_in_context(ctx)
        label = label.as_in_context(ctx)
        out = net(data)
        p = nd.argmax(out, axis=1)
        l = nd.argmax(label, axis=1)
        acc.update(preds=p, labels=l)
    return acc.get()[1]

度量是棘手的。它并不能将一个热编码标签作为基本事实

我发现这有点违反直觉，但您需要传递非一个热编码标签作为基本事实，但实际的类（例如，2而不是[0,0,1,0]）。否则，精确性将无法以您期望的方式工作。看看我先前的答覆：

---

此外，MxNet希望类以0开头。所以，如果你有从1开始的类，那么你需要通过减去1来调整所有类。

谢谢Sergei。我想这应该是一个错误，因为SoftmaxCrossEntropyLoss允许标签具有概率分布，但metrics API没有考虑到这一点。@Sergey，顺便说一句，你也可以回答这个问题。看起来基于0的标签是原因之一