多标签分类的评价指标

        多标签分类作为多分类的一种推广，每个样本可以有多个类别，如下图的标签为：sea，sunset。所以其评价指标与多分类的也有差异，本文将介绍几种评价指标。

1.Hamming loss(汉明损失)，表示所有label中错误样本的比例，所以该值越小则网络的分类能力越强。计算公式如下。

其中：|D|表示样本总数，|L|表示标签总数，xi和yi分别表示预测结果和ground truth。xor表示异或运算。

样例：

 

 

  from sklearn.metrics import hamming_loss
 y_pred = [1, 2, 3, 4]
 y_true = [2, 2, 3, 4]
 hamming_loss(y_true, y_pred)  #输出结果为0.25
 
hamming_loss(np.array([[0, 1], [1, 1]]), np.zeros((2, 2)))  #输出结果为0.75

 

2. Jaccard index(杰卡德指数)，概念挺陌生，公式是再熟悉不过了。其中：T表示ground truth，P表示预测结果。再观察这个公式，和检测算法中的IOU多么相近。

 

3. 精度、召回率和F1值。其中精度计算公式为，召回率计算公式为，F1值的计算为精度和召回率的调和平均数。

4. 准确匹配。这个是最严格的标准了，是预测结果和ground truth完全一致时的样本数与总的样本数的比值。

 

参考文献：https://en.wikipedia.org/wiki/Multi-label_classification