有没有办法计算字符串标签列表的 f1_score 而不管它们的顺序？
f1_score(['a','b','c'],['a','c','b'],average='macro')
我希望返回 1 而不是 0.33333333333
我知道我可以对标签进行矢量化，但就我而言，这种语法会容易得多，因为我正在处理许多标签
最佳答案
您需要的是多标签分类任务的 f1_score，为此您需要一个形状为 [n_samples，的 。y_true 和 y_pred 的二维矩阵， n_labels]
您当前仅提供一维数组。因此，它将被视为多类问题，而不是多标签问题。
official documentation提供必要的详细信息。
为了正确评分，您需要将 y_true、y_pred 转换为标签指示符矩阵 documented here :
y_true : 1d array-like, or label indicator array / sparse matrix
y_pred : 1d array-like, or label indicator array / sparse matrix
所以你需要像这样更改代码:
from sklearn.preprocessing import MultiLabelBinarizer
from sklearn.metrics import f1_score
y_true = [['a','b','c']]
y_pred = [['a','c','b']]
binarizer = MultiLabelBinarizer()
# This should be your original approach
#binarizer.fit(your actual true output consisting of all labels)
# In this case, I am considering only the given labels.
binarizer.fit(y_true)
f1_score(binarizer.transform(y_true),
binarizer.transform(y_pred),
average='macro')
Output: 1.0
您可以在此处查看 MultilabelBinarizer 的示例:
关于python - Scikit-learn f1_score 用于字符串列表，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/43198613/