如何在TensorFlow多分类任务中使用Precision或F1-Score指标

我复现了一个基于鸢尾花数据集的3分类任务代码：

import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.2, random_state=42)

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(4,)),
    tf.keras.layers.Dense(3, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# 训练模型
history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)

当将model.compile中的metrics=['accuracy']改为metrics=[tf.keras.metrics.Precision()]，或添加Precision作为额外指标时，出现形状不兼容错误：

ValueError: Shapes (32, 3) and (32, 1) are incompatible

使用TensorFlow Addons的F1Score时也报错：

import tensorflow_addons as tfa
metrics= [tfa.metrics.F1Score(average="macro",num_classes = 3,threshold=None,name='f1_score', dtype=None)]

ValueError: Dimension 0 in both shapes must be equal, but are 3 and 1. Shapes are [3] and [1]. 

请问如何在TensorFlow中正确使用Precision或F1-Score指标进行多分类任务的优化？

问题核心是：当前标签为稀疏整数格式（形状(batch_size,)），但多分类指标默认期望接收one-hot编码标签（形状(batch_size, num_classes)），需通过两种思路适配：

思路1：将标签转换为one-hot编码 #

把整数标签转为one-hot格式，同时将损失函数改为categorical_crossentropy，让指标与输入形状匹配：

import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import tensorflow_addons as tfa

# 加载并划分数据
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.2, random_state=42)

# 转换标签为one-hot编码
y_train_onehot = tf.keras.utils.to_categorical(y_train, num_classes=3)
y_test_onehot = tf.keras.utils.to_categorical(y_test, num_classes=3)

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(4,)),
    tf.keras.layers.Dense(3, activation='softmax')
])

# 编译模型：搭配one-hot标签对应的损失和指标
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=[
        tf.keras.metrics.Precision(name='precision'),
        tfa.metrics.F1Score(average="macro", num_classes=3, name='f1_score')
    ]
)

# 传入one-hot标签训练
history = model.fit(X_train, y_train_onehot, epochs=50, validation_split=0.2)

思路2：使用适配稀疏标签的指标类 #

若不想修改标签格式（继续使用sparse_categorical_crossentropy），可使用TensorFlow提供的稀疏标签专属指标：

适配Precision #

使用SparsePrecision指标，专门匹配稀疏整数标签：

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=[tf.keras.metrics.SparsePrecision(name='sparse_precision')]
)

适配F1-Score（TensorFlow Addons） #

使用SparseCategoricalF1Score（需TF Addons版本≥0.16.0），直接适配稀疏标签：

metrics = [tfa.metrics.SparseCategoricalF1Score(average="macro", num_classes=3, name='sparse_f1_score')]

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=metrics
)

内容的提问来源于stack exchange，提问作者Bluetail