说明

sklearn和torchmetrics两个metric代码跑模型的输出结果一致，对比他们的区别。评估指标写在下面

sklearn代码

import torch
import numpy as np
from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score

class MultiClassReport():
    """
    Accuracy, F1 Score, Precision and Recall for multi - class classification task.
    """

    def __init__(self, name='MultiClassReport', average='macro'):
        super(MultiClassReport, self).__init__()
        self.average = average
        self._name = name
        self.reset()

    def reset(self):
        """
        Resets all the metric state.
        """
        self.y_prob = []
        self.y_true = []

    def update(self, probs, labels):
        # 将Tensor转换为numpy数组并添加到相应列表中
        if isinstance(probs, torch.Tensor):
            if probs.requires_grad:
                probs = probs.detach()
            probs = probs.cpu().numpy()
        if isinstance(labels, torch.Tensor):
            if labels.requires_grad:
                labels = labels.detach()
            labels = labels.cpu().numpy()
        self.y_prob.extend(probs)
        self.y_true.extend(labels)
        self.y_prob.extend(probs)
        self.y_true.extend(labels)

    def accumulate(self):
        accuracy = accuracy_score(self.y_true, np.argmax(self.y_prob, axis=1))
        f1 = f1_score(self.y_true, np.argmax(self.y_prob, axis=1), average=self.average)
        precision = precision_score(self.y_true, np.argmax(self.y_prob, axis=1), average=self.average)
        recall = recall_score(self.y_true, np.argmax(self.y_prob, axis=1), average=self.average)
        return accuracy, f1, precision, recall

    def name(self):
        """
        Returns metric name
        """
        return self._name

torchmetrics代码

from torchmetrics import Accuracy, F1Score, Precision, Recall
from model import polarity_classes, device

# 创建评估指标对象
accuracy_metric = Accuracy(task='multiclass', num_classes=polarity_classes).to(device)
f1_metric = F1Score(task='multiclass', num_classes=polarity_classes, average='macro').to(device)
precision_metric = Precision(task='multiclass', num_classes=polarity_classes, average='macro').to(device)
recall_metric = Recall(task='multiclass', num_classes=polarity_classes, average='macro').to(device)

class MultiClassReport():
    """
    Accuracy, F1 Score, Precision and Recall for multi-class classification task.
    average：micro、macro
    """

    def __init__(self, name='MultiClassReport', average='macro'):
        super(MultiClassReport, self).__init__()
        self.average = average
        self._name = name

    def reset(self):
        """
        Resets all the metric state.
        """
        accuracy_metric.reset()
        f1_metric.reset()
        precision_metric.reset()
        recall_metric.reset()

    def update(self, probs, labels):
        accuracy_metric.update(probs, labels)
        f1_metric.update(probs, labels)
        precision_metric.update(probs, labels)
        recall_metric.update(probs, labels)

    def accumulate(self):
        accuracy = accuracy_metric.compute()
        f1 = f1_metric.compute()
        precision = precision_metric.compute()
        recall = recall_metric.compute()
        return accuracy, f1, precision, recall

    def name(self):
        """
        Returns metric name
        """
        return self._name

两个MultiClassReport类的对比分析

1. 代码结构与实现方式

• sklearn版本：
  • 代码逻辑较为清晰直接。在update方法中，将输入的PyTorch张量转换为numpy数组，并存储到y_prob和y_true列表中。在accumulate方法中，直接使用sklearn的accuracy_score、f1_score、precision_score和recall_score函数基于存储的列表数据计算评估指标。
• torchmetrics版本：
  • 利用torchmetrics库提供的专门的评估指标类（Accuracy、F1Score、Precision、Recall）。在update方法中，直接调用这些类的update方法来处理输入数据，内部有自己的状态管理机制。在accumulate方法中，通过调用相应类的compute方法获取评估指标值。
  • 这种方式与PyTorch的生态系统集成得更好，尤其是在基于PyTorch进行深度学习项目开发时，可以方便地在GPU上进行计算（如果device是GPU），并且可以利用torchmetrics库的其他特性，如分布式训练支持等。

2. 数据处理与内存使用

• sklearn版本：
  • 在update方法中不断扩展y_prob和y_true列表来存储数据。如果处理大量数据，可能会占用较多内存，因为它需要将所有的预测概率和真实标签都保存在内存中。
  • 每次计算评估指标时，都需要对整个存储的数组进行操作，如np.argmax等，这在数据量较大时可能会有一定的计算开销。
• torchmetrics版本：
  • 虽然torchmetrics类内部也需要存储一定的状态信息，但它们的设计可能更高效地利用内存和处理数据更新。例如，它们可能会采用增量计算的方式，而不是像sklearn版本那样一次性处理所有数据。
  • 在处理大规模数据或长时间训练过程中，torchmetrics版本可能在内存管理和计算效率方面更有优势。

3. 性能与效率

• sklearn版本：
  • 在小规模数据和简单场景下，性能表现良好。但随着数据量的增加和模型复杂度的提高，由于数据转换和计算方式的原因，可能会出现性能瓶颈。
• torchmetrics版本：
  • 设计初衷就是为了在PyTorch深度学习环境中高效运行，特别是在利用GPU计算资源时，能够更高效地更新和计算评估指标，更适合大规模数据和复杂模型的评估场景。

二分类任务评估指标

TP（True Positive）是真正例，TN（True Negative）是真反例，FP（False Positive）是假正例，FN（False Negative）是假反例。

1. 准确率（Accuracy）

准确率是指在所有预测样本中，预测正确的样本所占的比例。它衡量的是模型整体预测正确的程度。

2. 精确率（Precision）

精确率是指在所有被预测为正类的样本中，真正为正类的样本所占的比例。

3. 召回率（Recall）

召回率是指在所有实际为正类的样本中，被模型正确预测为正类的样本所占的比例。

4. F1值（F1-score）

F1值是精确率和召回率的调和平均数，它综合考虑了精确率和召回率两个指标，能够更全面地评估模型的性能。

多分类评估指标

1. 混淆矩阵（Confusion Matrix）

它是一个方阵，用来展示分类模型在每个类别上的预测对错情况。行代表真实类别，列代表预测类别，某个位置的值就是实际是某类却被预测成另一类的样本数量，能直观呈现模型对各类别预测的混淆情况。

2. 准确率（Accuracy）

就是模型预测正确的样本数占总样本数的比例，反映整体预测正确程度。

3. 精确率（Precision）

• 类别精确率：对于每个类别，是预测为该类且正确的样本数除以预测为该类的样本数，看预测某类时的准确程度。
  

• 宏平均精确率（Macro-average Precision）：先算出每个类别的精确率，再求平均，平等看待每个类别。
  

• 微平均精确率（Micro-average Precision）：将所有类别预测对的情况汇总除以预测的总数，从整体上看预测的精准情况，对类别不平衡不太敏感。
  

4. 召回率（Recall）

• 类别召回率：对于每个类别，是预测为该类且正确的样本数除以实际是该类的样本数，体现对该类样本的召回能力。
  

• 宏平均召回率（Macro- average Recall）：先算出每个类别的召回率，再求平均，衡量对每个类别样本的召回水平。
  

• 微平均召回率（Micro-average Recall）：从整体角度，用所有类别预测正确的样本总数除以实际各类别样本总数，综合评估召回情况。
  

5. F1值（宏平均）

• 类别F1值：是类别精确率和召回率的调和平均数，综合二者信息。
  

• 宏平均F1值（Macro-average F1）：先计算每个类别的F1值，再平均，更全面地体现模型对各分类的整体性能。
  

• 微平均F1值（Micro-average F1）：基于微平均精确率（Precision micro）和微平均召回率（Recall micro）来计算
  微平均