输出有四个类别:[0,1,2,3] 预测是[0,1]中的连续数(使用sigmoid函数后)
我在sklearn中尝试过混淆矩阵,f1_score,但是两种情况都出现错误:
ValueError: Can't handle mix of multiclass and continuous
如果我将其简化为二元分类器并使用AUC对其进行评估,则不会出现错误,这意味着AUC可以处理连续输入。
我的问题是在哪里可以找到 sklearn 中的评估,以便不仅可以处理多类,还可以处理连续输入。
最佳答案
在处理问题的细节之前,您需要确保您了解 AUC 指标以及如何正确使用它。
要了解 AUC 指标的含义,您可以开始 here .
本质上,您希望获得基于不同阈值的预测列表(即移动它们并每次都获得预测),计算每个阈值实例的误报率和漏报率,然后计算它们的 AUC。
计算和评估多类别 AUC 并不简单。您可以找到更多信息here ,但我在下面附上了一个很好的代码片段来帮助您入门。
# Compute macro-average ROC curve and ROC area
# First aggregate all false positive rates,
# assuming fpr is a list of false positive values per class
all_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)]))
# Then interpolate all ROC curves at this points
mean_tpr = np.zeros_like(all_fpr)
for i in range(n_classes):
mean_tpr += interp(all_fpr, fpr[i], tpr[i])
# Finally average it and compute AUC
mean_tpr /= n_classes
fpr["macro"] = all_fpr
tpr["macro"] = mean_tpr
roc_auc["macro"] = auc(fpr["macro"], tpr["macro"])
# Plot all ROC curves
plt.figure()
plt.plot(fpr["micro"], tpr["micro"],
label='micro-average ROC curve (area = {0:0.2f})'
''.format(roc_auc["micro"]),
color='deeppink', linestyle=':', linewidth=4)
plt.plot(fpr["macro"], tpr["macro"],
label='macro-average ROC curve (area = {0:0.2f})'
''.format(roc_auc["macro"]),
color='navy', linestyle=':', linewidth=4)
colors = cycle(['aqua', 'darkorange', 'cornflowerblue'])
for i, color in zip(range(n_classes), colors):
plt.plot(fpr[i], tpr[i], color=color, lw=lw,
label='ROC curve of class {0} (area = {1:0.2f})'
''.format(i, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=lw)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Some extension of Receiver operating characteristic to multi-class')
plt.legend(loc="lower right")
plt.show()
关于machine-learning - 无法处理多类和连续的混合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41784303/