Python ValueError：分类指标可以'；t处理多类和多标签指示器目标的混合

我有2000个不同标签的多类标签文本分类问题。使用带有手套嵌入的LSTM进行分类

目标变量的标签编码器

带嵌入层的LSTM层

误差度量为F2分数

标签编码的目标变量： LSTM网络如下图所示，带有手套嵌入 我的误差指标是F1分数。我为误差度量构建了下面的函数

class Metrics(Callback):
    def on_train_begin(self, logs={}):
        self.val_f1s = []
        self.val_recalls = []
        self.val_precisions = []

    def on_epoch_end(self, epoch, logs={}):
        val_predict = (np.asarray(self.model.predict(self.validation_data[0]))).round()
        val_targ = self.validation_data[1]
        _val_f1 = f1_score(val_targ, val_predict)
        _val_recall = recall_score(val_targ, val_predict)
        _val_precision = precision_score(val_targ, val_predict)
        self.val_f1s.append(_val_f1)
        self.val_recalls.append(_val_recall)
        self.val_precisions.append(_val_precision)
        print("— val_f1: %f — val_precision: %f — val_recall %f" % (_val_f1, _val_precision, _val_recall))
        return

metrics = Metrics()

模型拟合是 第一个历元后出现以下错误：

ValueError: Classification metrics can't handle a mix of multiclass and continuous-multioutput targets

你能告诉我我的密码哪里出错了吗

---

我试图解决我自己，但我没有得到任何线索。你能在这方面帮助我吗？F1分数、召回率和精度是二进制分类的指标，用于多类/多标签问题。你需要在函数中添加一个参数

F1\u分数

、

recall\u分数

和

precision\u分数

试试这个：

_val_f1 = f1_score(val_targ, val_predict, average='weighted')
_val_recall = recall_score(val_targ, val_predict, average='weighted')
_val_precision = precision_score(val_targ, val_predict, average='weighted')

在此处查找平均参数的更多信息：

---

F1分数、召回率和精度是二进制分类的指标，用于解决多类/多标签问题。您需要在函数

F1\u分数

、

召回率分数

和

精度分数

中添加一个参数

试试这个：

_val_f1 = f1_score(val_targ, val_predict, average='weighted')
_val_recall = recall_score(val_targ, val_predict, average='weighted')
_val_precision = precision_score(val_targ, val_predict, average='weighted')

在此处查找平均参数的更多信息：

---

您的问题是由这行代码中val_predict中的连续值引起的

_val_f1 = f1_score(val_targ, val_predict)

在计算f1_分数之前，您应该在val_predict中对您的预测进行四舍五入

示例解决方案：

 _val_f1 = f1_score(val_targ,np.round(val_predict))

需要说明的是：如果要更改舍入函数的阈值（默认值为0.5），可以在[0,1]间隔内添加或减去值：

>>> a = np.arange(0,1,0.1)
>>> print(a, abs(np.round(a-0.1)), sep='\n')
>>> print(a, abs(np.round(a+0.3)), sep='\n')

[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
array([0.  0.  0.  0.  0.  0.  1.  1.  1.  1.])

[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
array([0., 0., 0., 1., 1., 1., 1., 1., 1., 1.])

---

希望有帮助

您的问题是由这行代码中val_predict中存在的连续值引起的

_val_f1 = f1_score(val_targ, val_predict)

在计算f1_分数之前，您应该在val_predict中对您的预测进行四舍五入

示例解决方案：

 _val_f1 = f1_score(val_targ,np.round(val_predict))

需要说明的是：如果要更改舍入函数的阈值（默认值为0.5），可以在[0,1]间隔内添加或减去值：

>>> a = np.arange(0,1,0.1)
>>> print(a, abs(np.round(a-0.1)), sep='\n')
>>> print(a, abs(np.round(a+0.3)), sep='\n')

[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
array([0.  0.  0.  0.  0.  0.  1.  1.  1.  1.])

[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
array([0., 0., 0., 1., 1., 1., 1., 1., 1., 1.])

---

希望有帮助

这不走运，这不走运。