【747】多分类模型metrics计算

参考：Evaluation Metrics For Multi-class Classification（Micro-, Macro- 计算）

参考：多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨

参考：二分类和多分类问题下的评价指标详析（Precision, Recall, F1，Micro，Macro）

参考：详解多分类模型的Macro-F1/Precision/Recall计算过程

参考：sklearn.metrics.precision_score, sklearn.metrics.recll_score, sklearn.metrics.f1_score, sklearn.metrics.accuracy_score

参考：分类评价指标 F值 详解 | Micro F1 & Macro F1 & Weight F1 【计算的是平均precision、recall和F1，因此三者本身不满足相应的调和平均关系】

参考：分类问题的评价指标：多分类【Precision、 micro-P、macro-P】、【Recall、micro-R、macro-R】、【F1、 micro-F1、macro-F1】

参考：Micro-average & Macro-average Scoring Metrics – Python

参考：Micro averaged precision, recall, and F1 are always the same

---

注意：Micro-Precision = Micro-Recall = Micro-F1 score = Accuracy（因此相对于Micro来说没啥作用）

这是因为在某一类中的False Positive样本，一定是其他某类别的False Negative样本。听起来有点抽象？举个例子，比如说系统错把「狗」预测成「猫」，那么对于狗而言，其错误类型就是False Negative，对于猫而言，其错误类型就是False Positive。于此同时，Micro-precision和Micro-recall的数值都等于Accuracy，因为它们计算了对角线样本数和总样本数的比值。参考：多分类模型Accuracy, Precision, Recall和F1-score的超级无敌深入探讨

---

通过argmax函数获取标签值

# test_preds 预测的结果是三维向量的小数值
# 需要通过 argmax 函数获取值最大的位置，也就是对应的标签值
y_pred_vector = np.argmax(y_pred_vector, axis=1)

代码：

from sklearn.metrics import f1_score, precision_score, recall_score
 
y_true=[1,2,3]
y_pred=[1,1,3]
 
f1 = f1_score( y_true, y_pred, average='macro' )
p = precision_score(y_true, y_pred, average='macro')
r = recall_score(y_true, y_pred, average='macro')
 
print(f1, p, r)
# output: 0.555555555556 0.5 0.666666666667

Accuracy

from sklearn.metrics import accuracy_score
 
accuracy_score(y_true, y_pred)