sklearn。度量标准防止未标记的预测被归类为假阳性
我有一个多类的单标签分类器，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。我想使用sklearn.metrics。precision_recall_fscore_support用于计算模型的度量，但是我无法阻止将“-1”分类视为假阳性。 我能想到的唯一一件事是在“每个类”的基础上做这个度量，然后对不包含“-1”类的度量进行加权平均(即precision_recall_fscore_support中的微观选项，同时排除“-1”误报)。 在sklearn中有什么不用自己计算平均值的标准化方法吗? 问题来源StackOverflow 地址：/questions/59381435/sklearn-metrics-prevent-unlabeled-predictions-from-being-classified-as-false-pos
展开
收起
1
条回答
写回答
写回答
-
我想我知道了。precision_recall_fscore_support的标签参数允许您指定希望使用哪些标签。因此，使用label =list(set(y_true).union(set(y_pred)).difference(set(["-1"])) 我能够获得期望的行为。
2019-12-28 13:50:50赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
