Python 我无法理解使用argmax（）删除OHE后得到的混淆矩阵

我无法解释我的混淆矩阵。我犯了一个值以下的错误

值错误：不支持多标签指示器

在阅读了大量帖子后，我意识到这个问题可能是由于预测中的OHE（一个热编码）造成的。因此，为了解决这个问题，我使用了argmax（），正如在各种帖子中建议的那样。下面是我的代码：

from sklearn.metrics import confusion_matrix
print(Y.shape)
print(predictions.shape)
print(Y)
print(predictions)
# print(confusion_matrix(Y, predictions))
print(confusion_matrix(Y.argmax(axis = 1), predictions.argmax(axis = 1)))

(1, 200)
(1, 200)
[[1 1 0 0 1 1 0 1 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 0 1 0 1 0 0 1 1 1 0
  0 1 0 1 0 1 0 0 1 0 1 0 0 0 1 0 1 1 0 0 1 0 1 0 1 0 1 0 0 1 1 1 0 0 0 1
  0 1 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 1 1 0 0 1 1 0 1 1 1 1 0 1 0 1 1 1 1 1
  0 0 0 1 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 0
  0 0 1 1 0 1 1 1 1 1 1 0 0 0 1 1 1 0 1 0 1 0 1 0 0 1 1 1 1 1 0 0 1 1 1 1
  0 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 0 1 1 0]]
[[1 1 0 0 1 1 0 1 0 0 1 0 0 0 0 1 0 0 1 0 1 1 1 1 0 1 0 1 0 1 0 0 1 1 0 0
  0 1 0 1 0 1 0 0 1 0 0 0 0 0 0 0 1 1 0 0 1 0 1 0 1 1 1 0 1 1 1 1 1 0 0 1
  0 1 0 1 0 0 0 1 1 0 0 0 0 1 0 0 1 1 1 0 0 1 1 0 1 0 1 1 0 1 0 0 1 1 1 1
  0 0 0 1 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 0 1 1 1 0 1 1 0 0 0 1 1 0 0 0 0 0
  0 0 1 1 0 0 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 0 1 0 0 1 1 1 1 1 0 1 1 1 1 0
  0 1 0 0 1 0 1 1 1 0 1 0 1 0 1 0 0 1 1 1]]
[[1]]

---

从输出中可以看出，我得到的是混淆矩阵

[[1]]

。我不知道如何解释它。我期待一个2x2的混淆矩阵，然后我会继续计算精度、召回率、F1分数等，以了解我的模型的性能。请说明我做错了什么？

问题在于输入数组的形状。你需要先把它们弄平。下面是一个重现您案例的示例：

from sklearn.metrics import confusion_matrix

Y = np.random.choice([0,1],size=(1,10))
pred = np.random.choice([0,1],size=(1,10))

由于两个数组都是二维的，如您的示例所示，

混淆矩阵

解释为您有多标签输出，但它不支持：

confusion_matrix(Y, pred)
ValueError: multilabel-indicator is not supported

您需要展平两个阵列：

confusion_matrix(Y.ravel(), pred.ravel())

---

IIUC的问题在于输入数组的形状。你需要先把它们弄平。下面是一个重现您案例的示例：

from sklearn.metrics import confusion_matrix

Y = np.random.choice([0,1],size=(1,10))
pred = np.random.choice([0,1],size=(1,10))

由于两个数组都是二维的，如您的示例所示，

混淆矩阵

解释为您有多标签输出，但它不支持：

confusion_matrix(Y, pred)
ValueError: multilabel-indicator is not supported

您需要展平两个阵列：

confusion_matrix(Y.ravel(), pred.ravel())

---

根据其他信息，输出是正确的。因为Y’shape是（1200），这表明您有一个样本，它有200个类。对其执行argmax（）时，将得到大小为（1,1）的输出。混淆矩阵的大小为（n_类，n_类）。由于您只有一个样本，因此混淆矩阵的大小为（1,1）

要解决此问题，您需要传递多个样本，或者确保argmax正在执行预期的操作（即，您是否确定输出为OHE）？如果您的输出不是OHE，那么您只需要在获得混淆矩阵之前重新调整预测

from sklearn.metrics import confusion_matrix

Y = np.squeeze(Y) #should result in shape (200,)
predictions = np.squeeze(predictions) #should result in shape (200,)

cf = confusion_matrix(Y, predictions) #should result in shape (2, 2) if 2 classes 

---

根据其他信息，输出是正确的。因为Y’shape是（1200），这表明您有一个样本，它有200个类。对其执行argmax（）时，将得到大小为（1,1）的输出。混淆矩阵的大小为（n_类，n_类）。由于您只有一个样本，因此混淆矩阵的大小为（1,1）

要解决此问题，您需要传递多个样本，或者确保argmax正在执行预期的操作（即，您是否确定输出为OHE）？如果您的输出不是OHE，那么您只需要在获得混淆矩阵之前重新调整预测

from sklearn.metrics import confusion_matrix

Y = np.squeeze(Y) #should result in shape (200,)
predictions = np.squeeze(predictions) #should result in shape (200,)

cf = confusion_matrix(Y, predictions) #should result in shape (2, 2) if 2 classes 

---

我的问题分为两类，即0,1。因此Y对于每个样本只有一个标签（0或1）。预测也是如此。所以，我相信形状在分类问题上是相同的。鉴于错误“ValueError:不支持多标签指示器”，我得出结论，这可能是OHE问题。明白了。所以看起来你的预测数组实际上不是一个热编码的数组——0和1是类本身。在获得混淆矩阵之前，请尝试np.squence（）。是的，我考虑过这种可能性并尝试过。在这种情况下，它给出了“AxisError:轴1超出维度1数组的界限”错误。它应该在轴=0上压缩。尝试

np.挤压（Y，轴=0）

。这是

np.挤压（Y）

行上的错误吗？另一种确保的方法是手动重塑它：

Y=Y.restorate（Y.shape[1]，）

。我的问题有两类，即0,1。因此Y对于每个样本只有一个标签（0或1）。预测也是如此。所以，我相信形状在分类问题上是相同的。鉴于错误“ValueError:不支持多标签指示器”，我得出结论，这可能是OHE问题。明白了。所以看起来你的预测数组实际上不是一个热编码的数组——0和1是类本身。在获得混淆矩阵之前，请尝试np.squence（）。是的，我考虑过这种可能性并尝试过。在这种情况下，它给出了“AxisError:轴1超出维度1数组的界限”错误。它应该在轴=0上压缩。尝试

np.挤压（Y，轴=0）

。这是

np.挤压（Y）

行上的错误吗？另一种方法是手动对其进行整形：

Y=Y.reshope（Y.shape[1]，）

。