python - sklearn.metrics 防止未标记的预测被归类为误报
问题描述
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分配标签。我想sklearn.metrics.precision_recall_fscore_support
用来计算模型的指标,但是我无法防止"-1"
分类被视为误报。
我唯一能想到的就是在“每类”的基础上为指标执行此操作,然后对不包括"-1"
类的指标进行加权平均(即在排除误报micro
的同时选择选项)。precision_recall_fscore_support
"-1"
在sklearn中是否有任何标准化的方法可以做到这一点而不必自己计算平均值?
解决方案
我相信我想通了。labels
参数precision_recall_fscore_support
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"])))
我能够获得所需的行为。
推荐阅读
- javascript - 将调用者传递给允许我使用 .attr 方法的 javascript 函数
- php - 如何通过谷歌云部署 PHP 后端应用程序
- python - PyDev 调试器不适用于 Queue.py 文件
- node.js - NodeJS Sequelize ORM db:seed:all 从 db 中删除表
- vba - 如何使用 VBA 调试字典中的打印键和值?
- leaflet - 预渲染您自己的 openstreetmap 栅格地图切片 (png) 的工作流程是什么?
- javascript - 电子商务网站上的产品过滤器表单没有关注/没有索引链接
- android - 如何将手表 apk 嵌入手机 apk?
- java - 我在实现“活动 FTP 服务器”时遇到问题
- html - 从不同的 Angular 6 组件访问用户输入