sklearn classification_report用于多标签分类的使用方式是否正确？

问题1：多标签场景下预测结果是否必须转为0/1二值标签后传入classification_report？ #

是必须的，你当前的用法完全正确。

• classification_report计算的precision、recall、F1均属于硬分类指标，依赖「样本是否被判定为属于对应类别」的二元判定结果，不能直接基于概率值计算
• 你使用np.around(pred)等价于采用0.5作为分类阈值，和你编译模型时tfa.metrics.F1Score指定的threshold=0.5逻辑完全对齐，所以两者输出的macro F1结果一致，验证了用法的正确性

问题2：直接传入sigmoid输出的预测概率值抛出错误是否符合预期？ #

完全符合预期。
classification_report要求传入的预测结果是离散的分类标签值，不接收连续的浮点概率作为输入，函数无法自动从概率值推导你判定类别的阈值边界，因此直接传概率报错属于正常表现。

如果需要基于概率计算指标，可以选择roc_auc_score等专门接收概率输入的指标函数，但precision、recall、F1这类指标本身的定义就要求基于二值判定结果计算，必须先做阈值二值化处理。

内容的提问来源于stack exchange，提问作者user9317212