如何排除非目标类别计算随机森林模型的accuracy_score？

嘿，我完全懂你的需求——你想单独计算那6个目标类别的准确率，同时又不能移除第7类数据（毕竟还要对比处理它后的效果），对吧？这好办，咱们可以通过筛选目标类别样本的方式来实现，具体方案如下：

首先，你得先明确哪6个是你的目标类别，假设它们的标签值存在一个列表里（比如数字或字符串，都能处理），接下来我们用布尔索引筛选出对应样本，再计算准确率。

代码实现 #

import numpy as np
from sklearn.metrics import accuracy_score

# 替换成你实际的6个目标类别标签
target_classes = [0, 1, 2, 3, 4, 5]  # 如果是字符串就改成类似["classA", "classB"...]

# 生成掩码：标记哪些样本的真实标签属于目标类别
mask = np.isin(y, target_classes)

# 仅保留目标类别的真实标签和预测结果
y_target_only = y[mask]
y_pred_target_only = y_pred[mask]

# 计算并打印仅针对6个目标类别的准确率
print(accuracy_score(y_target_only, y_pred_target_only))

原理说明 #

• np.isin(y, target_classes) 会生成一个布尔数组，每个元素对应原数据中的样本，标记该样本是否属于目标类别；
• 用这个掩码过滤后，我们就得到了只包含6个目标类别的真实标签和预测结果，此时调用accuracy_score计算的就是你真正关注的准确率；
• 原始数据里的第7类样本会被排除在计算之外，但原始数据集完全没被修改，满足你需要对比处理该类别后准确率的要求。

如果你的类别标签是字符串（比如"类别1""类别2"这类），只需要把target_classes换成对应的字符串列表就行，np.isin对字符串类型同样适用。

内容的提问来源于stack exchange，提问作者Sel