问题标签 [multiclass-classification]

我正在尝试在多类分类中使用 F1 分数进行模型选择。

我正在按类别计算它们并对其进行平均：(F1(class1)+F1(class1)+F1(class1))/3 = F1(total)

但是，在某些情况下，我会得到 F1 分数的 NaN 值。这是一个示例：设 true_label = [1 1 1 2 2 2 3 3 3] 和 pred_label = [2 2 2 2 2 2 3 3 3]。

那么混淆矩阵看起来像： C =[0 3 0; 0 3 0; 0 0 3]

这意味着当我计算第一类的精度（计算 F1 分数）时，我得到：0/(0+0+0)，这是未定义的或 NaN。

首先，我在这里计算 F1 分数或精度是否有误？其次，在模型选择中我应该如何对待这些情况？忽略它们，或者我应该将此类的 F1 分数设置为 0（减少此模型的总 F1 分数）。

任何帮助将不胜感激！

我正在寻找一种方法来实现输入的多个分类。指定了输出的数量，并且输出的类集可能相同也可能不同。样本属于每个类集的一个类。

我的问题是，目标数据和输出层应该是什么样子？可以使用哪些激活、损失和训练函数，该层应该如何连接到隐藏层？我不一定要寻找最佳解决方案，而只是寻找可行的解决方案。

我目前对可行的猜测是使目标数据成为多个连接的 one-hot 向量，并且输出层具有与向量数量一样多的 softmax 单元。我不知道这些层将如何与该解决方案连接，以及网络如何计算类集的大小。我认为标签 powerset 不能满足我的需要。

我认为 matlab patternnet 函数可以创建一个这样做的网络，但我不知道生成的网络是如何工作的。TensorFlow 或 Keras 的代码将非常受欢迎。

我正在做不同的文本分类实验。现在我需要计算每个任务的 AUC-ROC。对于二进制分类，我已经使用以下代码使其工作：

但现在我需要为多类分类任务做这件事。我在某处读到需要对标签进行二值化处理，但我真的不知道如何计算多类分类的 ROC。尖端？

我有大量的 yelp 数据，我必须将评论分为 8 个不同的类别。
类别

评论包含多个类别，所以我使用了 multilable 分类。但我很困惑如何处理正/负。示例评论可能对食品质量有利，但对客户服务不利。Ex-food taste was very good but staff behaviour was very bad. so review contains positive food quality but negative Customer service我该如何处理这种情况？我应该在分类之前进行情感分析吗？请帮我

我能够使用以下方法对二进制数据进行交叉验证，但它似乎不适用于多类数据：

我也尝试更改roc_auc为f1但仍然有错误：

有什么方法可以用来对此类数据进行交叉验证吗？

我正在学习如何使用 Keras 设计卷积神经网络。我开发了一个使用 VGG16 作为基础的简单模型。我在数据集中有大约 6 类图像。这是我的模型的代码和描述。

下面是编译和拟合模型的代码：

这是预测新图像的代码

通常 model.predict() 方法预测不止一个类。

我有一些问题

1. 多类分类模型预测多个输出是否正常？
2. 如果预测不止一个类，如何在训练期间测量准确性？
3. 如何修改神经网络以便只预测一个类？

任何帮助表示赞赏。太感谢了！

我有一个格式错误且稀疏的 SMS 消息数据集。我尝试使用主题建模来获取每条消息中所有可能的主题以及每个相关主题的概率。我需要能够排列或排列每条消息的主题的概率。

作为替代解决方案，我正在考虑手动标记我的数据集并使用监督分类算法，例如朴素贝叶斯。这是我的 SMS 消息示例，这些消息稀疏且包含垃圾邮件内容，因此我认为主题建模效果不佳：

我面临的挑战：

1. 使用监督分类方法的替代方法是否合理，还是我应该保留像主题建模这样的无监督方法？

2. 我应该如何处理数据集：每条消息应该拥有一个类别作为标签还是我可以分配多个类别？

3. 这是一个多标签还是多类分类问题？

我将 ANN 用于多类分类器，以解决目标变量可以取 3 个值的问题：-1,0,1。

我曾经使用OneHotEncoder以下代码转换我的输出变量-

它现在采用以下格式-

预测看起来像 -

我想使用网格搜索 cv 来提高我的准确性，但我很难做到这一点。我总是得到一个错误。这是我正在使用的代码-

我收到以下错误-

我知道问题出在GridSearchCV(...). 我找不到合适的参数。我尝试使用以下方法制作自己的损失函数：

但我再次得到一个错误：

知道我应该如何进行吗？

我知道您可以为不平衡的数据集设置 scale_pos_weight 。但是，如何处理不平衡数据集中的多分类问题。我已经浏览了https://datascience.stackexchange.com/questions/16342/unbalanced-multiclass-data-with-xgboost/18823但不太了解如何在 Dmatrix 中设置权重参数。

谁能详细解释一下？

我正在使用逻辑回归方法进行多类分类。基本上我知道，如果我使用 accuracy_score () 函数（例如，来自 sklearn 库），它将计算出不同值到不同值的准确性，如下所示：

但是我想为每个标签（来自predict_proba）的顶级逻辑回归预测向量获取accuracy_score_new（）函数，并计算真实标签是否在这个区间内，如下所示：

此示例中的 accuracy_score_new 将等于 1，因为分类器预测标签在区间内。这个功能怎么实现？