使用torchmetrics计算多标签分类精确率与召回率的参数问题

TorchMetrics提供了可直接用于多标签分类（单样本可归属多个类别）场景的精确率、召回率计算接口，你之前得到不符合预期的返回值，是参数配置错误导致的。

错误原因 #

你代码中使用的mdmc_average参数是为多维多分类（multi-dimensional multi-class）场景设计的，不适用于普通多标签分类场景。错误的参数组合让模块误判了任务类型，执行了不符合多标签逻辑的计算，才会出现真阳性为0时精确率返回0.7的异常结果。

正确使用方式 #

多标签场景需要显式指定task="multilabel"声明任务类型，无需配置mdmc_average参数，参考代码如下：

import torch
from torchmetrics import Precision, Recall

target = torch.tensor([
    [0, 0, 1, 1, 0],  # 样本1属于类别2、3（零索引）
    [0, 0, 1, 0, 0], # 样本2属于类别2（零索引）
])
preds = torch.tensor([
    [0, 0, 0, 0, 0],  # 样本1预测无所属类别
    [0, 0, 0, 0, 0], # 样本2预测无所属类别
])

# 初始化多标签任务指标
precision_metric = Precision(
    task="multilabel",
    num_labels=5,
    average="samplewise"
)
recall_metric = Recall(
    task="multilabel",
    num_labels=5,
    average="samplewise"
)

print(precision_metric(preds, target))  # 输出tensor(0.)，符合预期
print(recall_metric(preds, target))     # 输出tensor(0.)，符合预期

关键参数说明 #

• task="multilabel"：多标签分类场景必传参数，显式声明任务类型，避免模块误判计算逻辑
• num_labels：多标签任务的总类别数，替代多分类场景使用的num_classes参数
• average：控制指标聚合方式，传入samplewise时会先计算每个样本单独的指标值，再对所有样本求平均，匹配逐样本计算的需求

边界场景说明：如果遇到样本预测全为负例、真实标签也全为负例的情况，默认会将该样本的精确率、召回率记为0，可通过zero_division参数自定义该场景下的返回值。

内容的提问来源于stack exchange，提问作者RR_28023