TensorFlow Fairness Indicators多分类器适配方案及参考资料问询

Fairness Indicators 原生支持多分类分类器的公平性指标计算，公开入门教程仅演示二分类场景是出于简化引导的目的，不需要对工具做二次开发扩展，按以下步骤配置即可直接适配多分类场景：

• 调整预测结果与标签的输入格式：不要直接传入多分类模型输出的类别ID或者全量softmax概率向量，针对N分类任务，将每个样本的标签、预测值按「一对多」的逻辑拆解为N组二值值：对每个类别k，生成样本是否属于k类的二值标签、模型预测样本属于k类的概率值，作为工具的基础输入。
• 显式配置多分类参数：调用指标计算接口时，不要使用二分类场景下默认的单类别配置，传入所有类别对应的class_id列表，同时在待计算指标列表中添加多分类专属指标项，包括多分类混淆矩阵、宏/微平均公平性差值计算项，这些内置能力没有在入门教程中演示，属于API原生支持的参数配置。
• 敏感群体切片配置逻辑和二分类场景完全一致：将需要评估公平性的敏感属性（如年龄分组、性别、地域等）作为切片特征传入即可，工具会自动遍历每个类别、每个用户切片，计算跨群体的指标差值。
• 可运行的配置参考可以在工具自带的测试用例集中找到，其中覆盖了3分类、10分类等常见多分类场景的完整参数写法，比公开教程的覆盖场景更全面。

注意：不要直接传入多分类模型argmax输出的单一类别预测结果，这种输入形式下工具只能计算准确率这类粗粒度指标，无法输出真正率、假正率、均等赔率这类需要概率阈值计算的细粒度公平性指标，会丢失大部分核心评估能力。

内容的提问来源于stack exchange，提问作者Saurabh Verma