我需要计算多标签分类问题中每个类别的准确率（而不是总体准确率）。使用scikit-learn库中的classification_report可以很容易地找到每个类别的精确度、召回率和F分数。共有13个类别，分布如下：

                   精确度    召回率  F1分数   支持数     类别1       0.58      0.48      0.53       244     类别2       0.91      0.85      0.88       728     类别3       0.90      0.92      0.91      1319     类别4       0.70      0.55      0.62       533     类别5       1.00      0.10      0.18        20     类别6       0.94      0.84      0.89      2038     类别7       0.83      0.78      0.80      1930     类别8       0.85      0.44      0.58       113     类别9       0.88      0.87      0.87      1329     类别10      0.79      0.54      0.64        61     类别11      0.81      0.77      0.79       562     类别12      0.71      0.62      0.66       416     类别13      0.76      0.60      0.67       500      微平均       0.86      0.78      0.82      9793      宏平均       0.82      0.64      0.69      9793   加权平均       0.85      0.78      0.81      9793    样本平均       0.86      0.82      0.83      9793

我知道准确率可以按以下方式计算：Accuracy=(TP+TN)/(TP+TN+FP+FN)，但是在这个多标签分类问题中找到TP和TN对我来说是个问题。

在stackoverflow上有一个类似的问题从精确度、召回率、F1分数计算准确率 – scikit-learn，但仅适用于二分类问题。

注意：我尝试使用multilabel_confusion_matrix和confusion_matrix从sklearn.metrics中提取混淆矩阵，但两者都给出了以下相同的错误：ValueError: Classification metrics can't handle a mix of multilabel-indicator and continuous-multioutput targets

有什么想法吗？

回答：

你可以使用以下代码从原始数组中手动计算每个类别的准确率：

class_accuracies = []for class_ in np.unique(y_true):    class_acc = np.mean(y_pred[y_true == class_] == class_)    class_accuracies.append(class_acc)