深度学习多分类评价指标代码

深度学习中的多分类任务通常涉及到预测多个类别中的一个。常用的评价指标有精度（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）。下面是一个简单的Python示例，使用sklearn库计算这些指标：

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, classification_report

# 假设y_true是真实标签列表，y_pred是模型预测的标签列表
y_true = [0, 1, 2, ..., n_classes - 1]  # 假设有n_classes个类别
y_pred = [0, 1, 2, ..., n_classes - 1]

# 计算准确率
accuracy = accuracy_score(y_true, y_pred)

# 精确率（每个类别的）
precision = {i: precision_score(y_true, y_pred, average='weighted', labels=range(n_classes)) for i in range(n_classes)}

# 召回率（每个类别的）
recall = {i: recall_score(y_true, y_pred, average='weighted', labels=range(n_classes)) for i in range(n_classes)}

# F1分数（每个类别的）
f1 = {i: f1_score(y_true, y_pred, average='weighted', labels=range(n_classes)) for i in range(n_classes)}

# 对所有类别汇总的报告
classification_report_str = classification_report(y_true, y_pred, target_names=list(range(n_classes)))

print("Accuracy:", accuracy)
print("Precision per class:", precision)
print("Recall per class:", recall)
print("F1 Score per class:", f1)
print("Classification Report:\n", classification_report_str)

这里`average='weighted'`表示对每个类别的性能进行了加权平均，对于不平衡数据集尤其重要。