科学学习的分类报告是否应该显示0支持的样本？

Question

我正在运行一个文本分类任务，并使用sklearn.metrics.classification_report。我注意到，在许多情况下，支持0的标签也会显示出来，但这是否是预期的行为呢？

给出一个具体的例子，假设我手头的任务有五个标签：0、1、2、3和4。我想确保我的模型能够在标签0上进行正确的训练，所以我创建了一个单独的数据集，只包含这些标签。第一个时代之后的分类报告如下所示：

              precision    recall  f1-score   support

           0     1.0000    0.8929    0.9434      9713
           1     0.0000    0.0000    0.0000         0
           2     0.0000    0.0000    0.0000         0
           3     0.0000    0.0000    0.0000         0

    accuracy                         0.8929      9713
   macro avg     0.2500    0.2232    0.2359      9713
weighted avg     1.0000    0.8929    0.9434      9713

据我所知(如果我错了，请纠正我)，左边列上的标签是包含在y_true中的标签。因此，报告不仅不应该显示1、2和3，而且也不应该显示4，如果行为应该是一致的。

我已经检查了我的数据，并确保它只包含0，因此它不是数据问题，我还进行了双重检查，以确保在调用函数时没有交换y_true和y_pred。

为什么会发生这种行为？有办法解决吗？

Answer 1

左边的标签是预测的标签。换句话说，在某些情况下(大约11%)，您的模型仍然可以预测类1、2和3(但不是4)，在理想情况下它应该预测0。

编辑:准确地说，classification_report()在y_true和y_pred上运行sklearn.utils.multiclass.unique_labels() (除非显式指定标签列表)，这与本例中预测的标签相同。

剩下的只是包装precision_recall_fscore_support()。The support is the number of occurrences of each class in y_true.