如何在tf.keras中不使用sklearn计算macro f1-score

原代码存在的核心问题 #

• 未正确计算Macro F1：f1_macro函数仅保留了最后一个类别的F1值，未对所有类别的F1求平均，导致结果并非真正的Macro F1（Macro F1是所有类别F1值的算术平均值）。
• 混淆矩阵指标计算冗余：使用列表推导式结合np.multiply的方式效率低，且布尔值与数值相乘易出现类型逻辑错误。
• 未处理除零异常：当某类别无预测正样本或无真实正样本时，会触发除以零错误，原代码的判断逻辑不完整。
• 函数逻辑缺失：f1_macro函数未完成核心的平均计算步骤，也无返回值。

修正后的完整代码 #

import numpy as np
import tensorflow as tf

class Metrics(tf.keras.callbacks.Callback):
    def __init__(self, train_data, val_data):
        self.train_data = train_data
        self.validation_data = val_data
  
    def on_train_begin(self, logs={}):
        self.f1_score_test = []
  
    def f1(self, y_true, y_pred):
        # 用numpy布尔运算高效计算混淆矩阵指标
        TP = np.sum((y_pred == 1) & (y_true == 1))
        FP = np.sum((y_pred == 1) & (y_true == 0))
        FN = np.sum((y_pred == 0) & (y_true == 1))
        
        # 处理分母为0的情况，避免运行时错误
        precision = TP / (TP + FP) if (TP + FP) != 0 else 0.0
        recall = TP / (TP + FN) if (TP + FN) != 0 else 0.0
        
        if precision == 0 or recall == 0:
            return 0.0
        return 2 * (precision * recall) / (precision + recall)

    def f1_macro(self, y_true, y_pred):
        macro_f1 = 0.0
        unique_classes = np.unique(y_true)
        num_classes = len(unique_classes)
        
        for cls in unique_classes:
            # 将当前类别视为正类，其余视为负类
            modified_true = np.where(y_true == cls, 1, 0)
            modified_pred = np.where(y_pred == cls, 1, 0)
            cls_f1 = self.f1(modified_true, modified_pred)
            macro_f1 += cls_f1
        
        # 计算所有类别F1的算术平均值
        return macro_f1 / num_classes if num_classes != 0 else 0.0
  
    def on_epoch_end(self, epoch, logs={}):
        # 获取测试集预测结果并做四舍五入处理
        y_pred_test = np.asarray(self.model.predict(self.validation_data[0])).round()
        # 确保真实标签为一维数组，避免维度不匹配
        y_true_test = np.squeeze(self.validation_data[1])
        
        # 计算并记录Macro F1
        current_macro_f1 = self.f1_macro(y_true_test, y_pred_test)
        self.f1_score_test.append(current_macro_f1)
        
        print(f'Epoch {epoch+1} - f1_test_macro = {current_macro_f1:.4f}')

# 初始化回调实例
new_metrics = Metrics((x_train, y_train), (x_test, y_test))

关键修改说明 #

1. 简化混淆矩阵计算：用numpy布尔索引替代低效的列表推导式，逻辑更清晰，计算速度更快。
2. 完善除零处理：对precision和recall的分母单独判断，避免因无正样本导致的报错。
3. 实现正确的Macro F1逻辑：遍历每个类别计算F1，累加后除以类别数得到平均，符合Macro F1的定义。
4. 优化数据格式：用np.squeeze确保真实标签为一维数组，适配多分类/二分类场景。

内容的提问来源于stack exchange，提问作者buzz bowlekar