火炬中多标签分类的优化混淆矩阵的替代方案
Alternative to optim confusion matrix for multi label classification in torch
我有一个生成多标签输出的卷积网络。即：每张图片可以标注0到10个标签。输出是一个大小为 10 的张量，包含 1s（表示该索引处的标签）和 -1s（该索引处没有标签）。目标采用相同的格式。所以：
{1, 1, 1, -1, 1, 1, 1, 1, 1, 1}
表示标签1-3和5-10。多标签输出不能与 torch optim 包的混淆矩阵一起使用。评估预测准确性的一些好的替代方法是什么？
理想情况下，我想知道 每个标签 的预测准确度，在误报、真阳性等方面。一个想法是制造 10 个单独的混淆矩阵并为每个矩阵提供一个索引的数据。有没有更好的解决方案？
任何意见表示赞赏。
更新：上面的方法效果很好，但是当标签很多的时候就很麻烦了。我只是想知道是否有更好的方法。
我为每个标签制作了单独的混淆矩阵，拆分输出预测，并将它们添加到适当的矩阵中。通过共同绘制 training/validation 集的分类准确度，它很容易解释。
我有一个生成多标签输出的卷积网络。即：每张图片可以标注0到10个标签。输出是一个大小为 10 的张量，包含 1s（表示该索引处的标签）和 -1s（该索引处没有标签）。目标采用相同的格式。所以：
{1, 1, 1, -1, 1, 1, 1, 1, 1, 1}
表示标签1-3和5-10。多标签输出不能与 torch optim 包的混淆矩阵一起使用。评估预测准确性的一些好的替代方法是什么？
理想情况下，我想知道 每个标签 的预测准确度，在误报、真阳性等方面。一个想法是制造 10 个单独的混淆矩阵并为每个矩阵提供一个索引的数据。有没有更好的解决方案？
任何意见表示赞赏。
更新：上面的方法效果很好，但是当标签很多的时候就很麻烦了。我只是想知道是否有更好的方法。
我为每个标签制作了单独的混淆矩阵，拆分输出预测，并将它们添加到适当的矩阵中。通过共同绘制 training/validation 集的分类准确度，它很容易解释。