BERT情感分析新手如何获取两类加权平均准确率(替代每类单独分数输出)
代码修改方案
核心实现逻辑
在原有遍历分标签准确率的逻辑基础上,直接调用sklearn内置的加权平均准确率计算方法即可,计算口径和当前使用的加权F1完全一致,不需要手动重新实现加权规则,避免计算错误。输出格式可通过字符串格式化调整为指定小数位数。
修改后的完整代码
import numpy as np from sklearn.metrics import f1_score, accuracy_score # 原有F1计算逻辑完全保留 def f1_score_func(preds, labels): preds_flat = np.argmax(preds, axis=1).flatten() labels_flat = labels.flatten() return f1_score(labels_flat, preds_flat, average = 'weighted') # 拓展后的准确率计算函数 def accuracy_per_class(preds, labels): label_dict_inverse = {v: k for k, v in label_dict.items()} preds_flat = np.argmax(preds, axis=1).flatten() labels_flat = labels.flatten() for label in np.unique(labels_flat): y_preds = preds_flat[labels_flat==label] y_true = labels_flat[labels_flat==label] correct_num = len(y_preds[y_preds==label]) total_num = len(y_true) # 保留原有分数形式的分标签准确率输出 print(f'Class: {label_dict_inverse[label]}') print(f'Accuracy:{correct_num}/{total_num}\n') # 计算小数形式的加权平均准确率 weighted_avg_acc = accuracy_score(labels_flat, preds_flat, average='weighted') # 通过调整:.5f可控制保留的小数位数 print(f'Weighted Average Accuracy: {weighted_avg_acc:.5f}')
调用代码说明
原有调用逻辑无需改动,你写的第一位留空的写法,本质是用空值占位接收evaluate返回的第一个平均损失值,跳过不需要的返回结果,功能和用_占位的写法完全一致:
_, predictions, true_val = evaluate(dataloader_val) accuracy_per_class(predictions, true_val)
示例结果校验
按照你贴出的当前输出数据计算:
- 类别0:样本量81,正确预测59,单类准确率≈0.7284
- 类别1:样本量69,正确预测54,单类准确率≈0.7826
- 总样本量150,加权平均准确率为(59+54)/150≈0.75333,与函数计算结果一致
内容的提问来源于stack exchange,提问作者Andrew Anorthosis Timotheou
相关产品推荐
相关产品推荐

