多分类任务中如何基于F1分数筛选并保留表现优异的类别？

核心思路 #

将分类报告转换为结构化字典格式，遍历每个类别提取F1分数，筛选出分数≥0.7的类别。以下是基于Python scikit-learn库的实现步骤：

具体实现代码 #

from sklearn.metrics import classification_report
import numpy as np

# 替换为你实际的真实标签、预测标签和类别名称
y_true = np.array([...])  # 真实标签数组
y_pred = np.array([...])  # 模型预测标签数组
class_names = [...]       # 对应50个类别的名称列表（如['class_0', 'class_1', ...]）

# 生成结构化分类报告（字典格式）
report_dict = classification_report(y_true, y_pred, target_names=class_names, output_dict=True)

# 筛选F1分数≥0.7的类别
high_perf_classes = []
for cls in class_names:
    # 提取当前类别的F1分数
    f1 = report_dict[cls]['f1-score']
    if f1 >= 0.7:
        high_perf_classes.append(cls)

# 输出结果
print("表现优异的类别：", high_perf_classes)

关键细节说明 #

• 结构化报告转换：通过output_dict=True参数，将默认的字符串格式分类报告转为字典，方便直接提取各类别的指标值。
• 排除汇总行：遍历过程仅针对class_names中的类别，自动跳过分类报告中的macro avg、weighted avg、accuracy等汇总统计行。
• 类别匹配：确保class_names的顺序和标签编码完全对应，避免提取错误的类别指标。

拿到筛选后的high_perf_classes后，你可以从原始数据集中过滤出仅属于这些类别的样本，重新构建数据集并训练针对性模型。

内容的提问来源于stack exchange，提问作者Ruth Bonet