scikit-learn issues - classification metrics can‘t handle a mix of continuous-multioutput ...

classification metrics can’t handle a mix of continuous-multioutput and multi-label-indicator targets

• 示例场景：

  cm = confusion_matrix(y_true, y_pred)
  f1_score(y_true, y_pred, average="macro")
  

• 问题描述：
  这个问题常见于评价多分类任务，由于sklearn的classification metrics只接受binary的targets，所以你需要确保y_ture和y_pred中的元素都是0或1的array。

• 策略：

1. 检查y_true是不是Binary Label；如果不是，用LB或者MLB做好转换；
2. 检查y_pred是不是二值的；一般来说y_pred更容易造成这个问题，因为很多人会在昨晚predict之后，直接拿网络的输出（Softmax/Sigmoid 输出）做为Metrics的输入。如果属于这种情况，对于Multi-class Classification（即y_pred是Softmax的输出），可以直接用np.argmax()做转换；而对于Multi-label Classification（即y_pred是sigmoid的输出），一般使用np.around，四舍五入将y_pred调整为二值化形式（ 即相当于设置了阈值0.5）。

   # Multi-class
   y_pred = np.argmax(y_pred)
   # Multi-label
   y_pred = np.around(y_pred) # np.around