【Python】根据预测结果矩阵与实际结果矩阵计算模型正确率

一、问题背景

  在多分类模型预测的结果中，我想知道预测的结果与实际的答案相比，其正确率是多少，这个时候我们往往是对应比较两个数组list之间对应相等的个数。因此，我大致总结了一些方法来计算此正确率。
假设我们此处的预测结果和实际结果分别为：

# 假设是三分类任务，存在0，1，2三种结果
list1 = [1,2,0,0,1]
list2 = [1,0,2,1,1]

二、解决方法

方法1：我立马能想到的方法就是直接遍历数组直接比较，直接使用lambda直接遍历：

'''方法1：'''
res1 = list(map(lambda x,y: x==y, list1, list2))
# res1: [True, False, False, False, True]
# 或使用res1 = list(map(lambda x,y: x^y, list1, list2)) 二分类任务是0，1 可以使用异或的操作进行，预测错误则为1，否则为0

'''方法2：'''
# 直接利用numpy库，直接==计算
arr1 = np.array(list1)
arr2 = np.array(list2)
res2 = list(arr1==arr2)
# res2: [True, False, False, False, True]

'''方法3：'''
res3 = []
for pair in zip(list1, list2):
	res3.append(pair[0]==pair[1])
# res3: [True, False, False, False, True]

参考：python中两个数组之间的位运算操作，其中说明了三种方法各自的速度优势：
对于十万量级以上的数组计算，则方法2的速度是最快的，2>3>1
但对于十万量级以下的数组计算，方法3是最快的，3>2>1，是因为大列表下numpy库的管理是要优于python的内置函数。
其余的CPU和内存占用都是方法2最好，numpy库yyds!

方法2：其次，我在实际的pytorch项目中，发现针对于多标签分类的，可以使用torch.gather来获取对应位置实际的类别。

# 这里是将softmax预测分类概率最大的答案位置索引取出来
scores, idx = torch.max(score, dim = 1) # [bsz], [bsz]
# 然后从实际的ans矩阵中获取对应位置是否为正确答案
match_score = torch.gather(answers, 1, idx.unsqueeze(-1)).squeeze().tolist()
# 这里是总的问题数
count += len(match_score)
# 然后求和获取实际的正确答案数
correct += sum(match_score)