Scikit learn 在多标签分类中通过交叉验证评估单个标签的F分数

我有一个多标签数据集，我想通过交叉验证测试确定每个标签的F分数值。有没有在sklearn或skmultilearn中实现的示例代码？它的文档似乎只为整个数据集提供了价值。

您可以使用scikit learn的分类报告，假设您有y和y\u预测

from sklearn.metrics import classification_report
y = [0, 1, 2, 2, 2]
y_pred = [1, 0, 2, 2, 1]
classes = {'Banana':0,'Apple':1,'Orange':2}
print(classification_report(y, y_pred,target_names=classes.keys()))

输出

             precision    recall  f1-score   support

     Banana       0.00      0.00      0.00         1
      Apple       0.00      0.00      0.00         1
     Orange       1.00      0.67      0.80         3

avg / total       0.60      0.40      0.48         5

或者，您可以使用

print(f1_score(y, y_pred,average=None))

您将在列表中获得标签分数

[ 0.   0.   0.8]

当然，你可以使用一个，通过所有的折叠，得到每个标签的f1，但我不明白你为什么要这样做

在使用交叉验证的情况下，您可以得到每个折叠的f1分数，这是因为分数用于评估模型并选择最佳。请参见下面的示例

from sklearn import svm, datasets
from sklearn.model_selection import cross_val_score
iris = datasets.load_iris()
X, y = iris.data, iris.target
clf = svm.SVC()
cross_val_score(model, X, y, cv=10, scoring='f1_weighted')

将输出10个分数的数组，每折叠1个

array([ 1.        ,  0.93265993,  1.        ,  1.        ,  1.        ,
        0.93265993,  0.93265993,  1.        ,  1.        ,  1.        ])

---

谢谢你的回答。但我真正要问的是多标签数据（每个标签都有二进制类数据的多个输出（标签））而不是多类数据。因此，确定交叉验证分数的输入应该是多标签数据集的X，y（标签集输出）。使用score=cross_val_score（model，X，y，cv=10，score='f1_-weighted'）将返回整个数据集的分数。是否有任何方法可以获得每个标签的分数？我能看到的唯一方法是对y中的每个列（即每组标签）使用交叉验证。类似于

np.vstack（[cross_val_score（model，X，y[：，i]，cv=10，scoring='f1'），用于范围内的i（y.shape[1]））

这将生成n_标签X 10形阵列