one-hot 编码值的 torchmetrics 行为

Question

我很难理解以下场景。我在每个 class 上的输出概率为 0.0，这意味着 f1 分数、准确性和召回率等指标的值应该为零？但是我得到以下信息：

import torch, torchmetrics
preds = torch.tensor([[0., 0., 0.],
                      [0., 0., 0.],
                      [0., 0., 0.]])

target = torch.tensor([[1, 0, 0],
                       [0, 1, 0],
                       [0, 0, 1]])

print("F1: ", torchmetrics.functional.f1_score(preds, target))
print("Accuracy: ", torchmetrics.functional.accuracy(preds, target))
print("Recall: ", torchmetrics.functional.recall(preds, target))
print("Precision: ", torchmetrics.functional.precision(preds, target))

输出：

F1:  tensor(0.)
Accuracy:  tensor(0.6667)
Recall:  tensor(0.)
Precision:  tensor(0.)

为什么准确度是 0.6667？我希望所有输出都是 0.0.

Answer 1

您的 preds 是 multi-label 分类问题的概率数组：

为了简单起见，我假设这样的例子：

preds = torch.tensor([[0., 0., 0.]]) # multi-labels [label1, label2, label3]

target = torch.tensor([[1, 0, 0]])

真底片是2，因为分类器预测label2和label3不存在，而label2和label3确实不应该存在。

真阳性是0，因为分类器预测任何标签的存在，而标签应该存在。

假阴性是1因为分类器预测label1不存在而label1应该存在.

误报是0，因为分类器预测任何标签，而标签不应该存在。

根据上式，Accuracy = 2/3 = 0.6667

您可以阅读 here 更多关于不同指标及其计算的信息。

one-hot 编码值的 torchmetrics 行为

torchmetrics behaviour for one-hot encoded values

metrics

pytorch