bcubed函数里面，根据我的验证，precision和recall两个变量可能搞反了

[FDuiv]

代码中coo_matrix返回的混淆矩阵axis=0的轴是指预测类别 错误的代码： precision = np.sum(cm_norm (cm / cm.sum(axis=0))) recall = np.sum(cm_norm (cm / np.expand_dims(cm.sum(axis=1), 1))) 正确的代码： recall = np.sum(cm_norm (cm / cm.sum(axis=0))) precision= np.sum(cm_norm (cm / np.expand_dims(cm.sum(axis=1), 1))) 但f1又恰好正确。 幸好论文里面没有打印这些数据。

下面是分析：我以BCubed的论文例子做实验 pred=np.array([0,0,0,0,1,1,1,2,2,2,2,2,2,2]) label=np.array([0,0,0,0,0,1,1,2,1,3,4,1,1,1]) cm= coo_matrix( (np.ones((14)), (pred, label)), shape=(3, 5), dtype=np.int),toarray() “”“ [[4, 0, 0, 0, 0], [1, 2, 0, 0, 0], [0, 4, 1, 1, 1]] ”“” np.expand_dims(cm.sum(axis=1), 1) ”“” [[4], [3], [7]] “”“ cm / np.expand_dims(cm.sum(axis=1),1) “”“ [[1. , 0. , 0. , 0. , 0. ], [0.33333333, 0.66666667, 0. , 0. , 0. ], [0. , 0.57142857, 0.14285714, 0.14285714, 0.14285714]] ”“” cm * cm / np.expand_dims(cm.sum(axis=1),1) """ [[4. , 0. , 0. , 0. , 0. ], [0.33333333, 1.33333333, 0. , 0. , 0. ], [0. , 2.28571429, 0.14285714, 0.14285714, 0.14285714]] """

np.sum(cm * cm / np.expand_dims(cm.sum(axis=1),1))/cm.sum()

0.5986394557823128

这和你的代码是一样的算法，但是变量名错了： cm_norm = cm / cm.sum() recall = np.sum(cm_norm (cm / np.expand_dims(cm.sum(axis=1), 1))) 这应该是精度 precision:(44/4+1/3+22/3+31/7+4*4/7)/14 = 0.5986394557823128 显然应该要除以每个预测类的总数 np.expand_dims(cm.sum(axis=1), 1) ”“” [[4], [3], [7]] “”“ axis=1才是计算精度的轴。