Python sklearn.metrics防止未标记的预测被归类为误报
我有一个多类、单标签分类器,它将一些样本预测为Python sklearn.metrics防止未标记的预测被归类为误报,python,machine-learning,scikit-learn,Python,Machine Learning,Scikit Learn,我有一个多类、单标签分类器,它将一些样本预测为“-1”,这意味着它没有足够的信心为样本指定一个标签。我想使用sklearn.metrics.precision\u recall\u fscore\u support来计算模型的指标,但是我无法防止“-1”分类被视为误报 我能想到的唯一一件事是,在“每类”的基础上对指标进行此操作,然后对不包括“-1”类的指标进行加权平均(即精确性\u召回\u fscore\u支持中的微选项,同时排除“-1”误报) 在sklearn中有没有标准化的方法可以做到这一点
“-1”
,这意味着它没有足够的信心为样本指定一个标签。我想使用sklearn.metrics.precision\u recall\u fscore\u support
来计算模型的指标,但是我无法防止“-1”
分类被视为误报
我能想到的唯一一件事是,在“每类”的基础上对指标进行此操作,然后对不包括“-1”
类的指标进行加权平均(即精确性\u召回\u fscore\u支持中的微选项,同时排除“-1”
误报)
在sklearn中有没有标准化的方法可以做到这一点,而不必自己计算平均值?我相信我已经找到了答案。precision\u recall\u fscore\u support
的labels
参数允许您指定要使用的标签。因此,通过使用labels=list(set(y_-true).union(set(y_-pred)).difference(set([“-1]”))
我能够获得想要的行为