You need to enable JavaScript to run this app. 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)
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.28 09:24:04