【ValueError: Target is multiclass but average=‘binary‘. Please choose another average setting, one 】

最新推荐文章于 2024-03-19 18:41:45 发布
最新推荐文章于 2024-03-19 18:41:45 发布
阅读量6.6k 收藏 3
点赞数 8
分类专栏： python学习过程的那些坑 文章标签： sklearn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45769063/article/details/122265825
版权
本文指导如何在多分类问题中修正F1_score计算，须将原本的binary设置更改为'macro'，以适应任务需求。遇到'ValueError: Target is multiclass but average='binary''.问题时，只需调整代码为f1_score(y_test, y_pred, average='macro')，确保正确评估指标。
摘要由CSDN通过智能技术生成

完整报错为：ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].

解决方法
对于多分类任务，将

from sklearn.metrics import f1_score
f1_score(y_test, y_pred)


改为：

f1_score(y_test, y_pred,average='macro') # average按任务需要计算


 

有情怀的机械男
关注
专栏目录
分类指标precision精准率计算时报错 Target is multiclass but average='binary'. Please choose another average setti
汪雯琦的博客
03-25 4285
报错 Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted']. 解决：加上参数,average='micro' 源代码： # precision import numpy as np from sklea...
《Python数据挖掘入门与实践》学习笔记1
datongmu_yile的博客
08-16 5665
第八章-用神经网络破解验证码 在8.3.1 反向传播算法一节中出现的一点有问题 在这节中，需要对创建好的神经网络进行训练、预测并评估。 得到预测值后，可以用scikit-learn计算F1值。 from sklearn.metrics import f1_score print("F-score: {0:.2f}".format(f1_score(predictions, y_test.a...
【解决问题】python编译报错 Target is multiclass but average='binary'. Please choose another average setting
君琴 的博客
05-08 3万+
今天在编译python代码时，遇到了如下错误： Target is multiclass but average=‘binary’. Please choose another average setting, one of [None, ‘micro’, ‘macro’, ‘weighted’]. 原代码如下，是要求某数据集的F1（精度和召回率组合成单一的指标）。 from sklearn.me...
ValueError: Target is multiclass but average=‘binary‘.Please choose another average setting
最新发布
qq_44988155的博客
03-19 895
使用simpletransformers==0.64.3，model.train_model(train_df,eval_df=valid_df)报错ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].
target is multiclass but average='binary'. please choose another average setting.
weixin_45281949的博客
11-05 5275
引用sklearn模型，fit之后进行模型评估时，出现该错误，代码如下： from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import f1_score regressor = DecisionTreeClassifier(random_state=42) regressor.fit(X_train,y_t...
ValueError: Target is multiclass but average=‘binary‘. ‘micro‘、‘macro‘、‘weighted‘ 或 None选择哪一个？完美回答如下
qlkaicx的博客
01-18 874
如果你不设置 average 参数，或者设置为 None，那么这些函数将返回一个字典，其中键是标签名，值是对应标签的指标。，包括每个样本的 True Positives，False Positives 和 False Negatives。注意，我选择了 ‘macro’ 作为 average 的值，但你也可以根据你的需求选择其他值。这个错误的意思是，我正在尝试计算多分类的指标（准确率、精确率、召回率和 F1 分数），但是。，然后取加权的平均值（除以每个标签的样本数）。，这个参数决定了如何计算多分类的指标。
ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].
05-29
这个错误是由于你的目标值是多分类问题，但是你选择了 `average='binary'` 的平均方式。 `average` 参数用于计算多分类问题的精度，召回率和F1值。如果你的目标值是二分类问题，可以使用 `average='binary'`，但是...
jupyter notebook中出现”ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].“是什么意思，并且该怎么修改？
06-03
这个错误通常发生在使用sklearn中的一些评估指标（如precision_score, recall_score, f1_score等）时，由于目标是多类别的，但是average参数设置为了'binary'，导致无法计算。 解决方法是将average参数设置为其他...
from sklearn.linear_model import LogisticRegression from sklearn import metrics import numpy as np import pandas as pd data = pd.read_csv( 'final_data1.csv') Y = data.y X = data.drop('y', axis=1)#归一化 xmin = X.min(axis=0) xmax = X.max(axis=0) X_norm = (X-xmin)/(xmax-xmin) from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X_norm, Y, test_size=0.2, random_state=42) clf = LogisticRegression(random_state=0,multi_class='multinomial') clf.fit(X_norm,Y)y_pred= clf.predict(X_test) y_pred= np.round(y_pred) print(metrics.confusion_matrix(y_test, y_pred)) from sklearn.metrics import precision_score, recall_score, f1_score, roc_auc_score, accuracy_score print('逻辑回归分类模型准确率分值: {0:0.4f}'.format(accuracy_score(y_test, y_pred))) print("逻辑回归分类模型查准率 :", round(precision_score(y_test, y_pred), 4), "\n") print("逻辑回归分类模型召回率 :", round(recall_score(y_test, y_pred), 4), "\n") print("逻辑回归分类模型F1分值:", round(f1_score(y_test, y_pred), 4), "\n") 运行上述代码报错ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].如何解决
07-17
这个错误是因为你选择了 `average='binary'`，但是你的目标变量是多分类问题，不适用于二元分类的平均设置。你可以尝试使用其他的平均设置来解决这个问题。 以下是一些可选的平均设置： - `average=None`：不进行...
ValueError:Target is multilabel-indicator but average=‘binary‘.Please choose another average setting
qq_42251157的博客
06-01 941
ValueError: Target is multilabel-indicator but average='binary'
解决sklearn.metrics指标报错ValueError: Target is multiclass but average=‘binary‘. Please choose anothe...
呆萌的代Ma
07-31 3021
完整报错为：ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted']. 解决方法 对于多分类任务，将 from sklearn.metrics import f1_score f1_score(y_test, y_pred) 改为： f1_score(y_test, y_pred,avera
使用sklearn.metrics时报错：ValueError: Target is multiclass but average=‘binary‘.
关于我的学习记录
04-12 1264
ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].
ValueError: Target is multilabel-indicator but average=‘binary‘. Please choose another average ...
zhen32926的博客
10-17 2086
precision = precision_score(y_true=label, y_pred=img, average="binary"),执行这句话时报题目错误。 ValueError: Target is multilabel-indicator but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted', 'samples'].其中label和i.
使用keras时出现:ValueError: Error when checking target: expected conv1d_15 to have 3 dimensions, but got
weixin_43790560的博客
06-25 6962
出现这个问题的原因是model.fit()的时候训练数据的shape和标签的shape不一致，要想解决这个问题，必须使两者的shape一致，才不会报错。
Keras计算F1_score
学习笔记
12-12 9734
实现代码： from keras.callbacks import Callback from sklearn.metrics import confusion_matrix, f1_score, precision_score, recall_score class Metrics(Callback): def on_train_begin(self, logs={}): ...
树模型(六)：XGBoost
热门推荐
雪伦的专栏
04-21 18万+
文章内容可能会相对比较多，读者可以点击上方目录，直接阅读自己感兴趣的章节。1.序　　距离上一次编辑将近10个月，幸得爱可可老师（微博）推荐，访问量陡增。最近毕业论文与xgboost相关，于是重新写一下这篇文章。　　关于xgboost的原理网络上的资源很少，大多数还停留在应用层面，本文通过学习陈天奇博士的PPT、论文、一些网络资源，希望对xgboost原理进行深入理解。（笔者在最后的参考文献中会给出地
机器学习-------评价分类结果
K键盘里的青春K
07-24 6433
准确度的陷阱和混淆矩阵和精准率召回率 准确度的陷阱 准确度并不是越高说明模型越好，或者说准确度高不代表模型好，比如对于极度偏斜（skewed data）的数据，假如我们的模型只能显示一个结果A，但是100个数据只有一个结果B，我们的准确率会是99%，我们模型明明有问题却有极高的准确率，这让我们对模型的评价容易出现问题。所以只用分类准确度是远远不够的，使用混淆矩阵做进一步分析。 混淆矩...
不平衡多分类问题模型评估指标探讨与sklearn.metrics实践
肖永威的专栏
05-08 6041
我们在用机器学习、深度学习建模、训练模型过程中，需要对我们模型进行评估、评价，并依据评估结果决策下一步工作策略，常用的评估指标有准确率、精准率、召回率、F1分数、ROC、AUC、MAE、MSE等等，本文将结合SKlearn的metrics所封装的函数，重点围绕多分类问题实践评估指标。
Scikit-learn：分类模型评估Model evaluation
皮皮blog
08-19 1万+
http://blog.csdn.net/pipisorry/article/details/52250760模型评估Model evaluation: quantifying the quality of predictions3 different approaches to evaluate the quality of predictions of a model:Estimator sc...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

有情怀的机械男

你的鼓励将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值