我正在研究句子類別檢測問題。其中每個句子可以屬於多個類別，例如："it has great sushi and even better service."
true label: [[ 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 1.]]
pred label: [[ 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0. 1.]]
correct prediction!
output: ['food#quality' 'service#general']
我實現了乙個可以**多個類別的分類器。我有587個句子，屬於多個類別。我用兩種方法計算了準確度得分：if all labels of an example predicted or not?
**：^$
輸出：total examples: 587 true pred: 353 false pred: 234 accuracy: 0.60136286201how many labels are correctly predicted for all examples?
**：print "\n"
print "total labels:",len(total[0]),"predicted labels:", corrpred, "accuracy:", corrpred/len(total[0])
輸出：total labels: 743 predicted labels: 522 accuracy: 0.702557200538
問題：這些都是通過將**得分與基本真實性標籤進行比較計算得出的準確度得分。但我想計算f1分數(使用微平均法)、精確度和召回率。我有基本事實的標籤，我需要把我的**與那些基本事實標籤相匹配。但是，我不知道如何解決這種型別的多標籤分類問題。
我可以使用scikitlearn或python中的任何其他庫嗎？在
多分類f1分數 Micro F1和Micro F1
1 precision 精確率 被認為正的樣本中，實際上有多少是正的。也就是說，該指標用於衡量 在 出來為正的樣本中，有多少是正確 的。2 recall 召回率 原本為正的樣本中，有多少被找出來了。也就是說，該指標用於衡量 在樣本空間中實際為正的樣本中，有多少被正確 出來。可見，在上述兩式中，只有分...
R語言 多分類計算F1 score
tp 為正，實現為正 fp 為正，實現為負 fn 為負，實現為正 tn 為負，實現為負 準確率 tp tp fp 召回率 tp tp fn f1 score 2tp 2tp fp fn pre 的分類結果 y 真實的分類結果 f1 fun function pre,y f1 2 tp 2 tp fp...
專案1 分數的雛形
all right reserved.檔名稱 test.cpp 作 者 韓雙志 完成日期 2016年3月28日 版本號 v1.0 問題描述 完成分數類的設計，main 函式中除錯各成員函式，完成基本測試 輸入描述 輸入分數 輸出描述 輸出應有的選項 include using namespace s...