机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

分类

｜

105

为了阐释清楚，这里不讨论面部识别，让我们来看一个更为简单的示例：

from sklearn.neighbors import

KNeighborsClassifier

y_train_large = (y_train >= 7)

y_train_odd = (y_train % 2 == 1)

y_multilabel = np.c_[y_train_large, y_train_odd]

knn_clf = KNeighborsClassifier()

knn_clf.fit(X_train, y_multilabel)

这段代码会创建一个 y_multilabel 数组，其中包含两个数字图片的目标标签：第

一个表示数字是否是大数（7、8、9），第二个表示是否为奇数。下一行创建一个

KNeighborsClassifier 实例（它支持多标签分类，不是所有的分类器都支持），然

后使用多个目标数组对它进行训练。现在用它做一个预测，注意它输出两个标签：

>>>

knn_clf.predict([some_digit])

array([[False, True]])

结果是正确的！数字 5 确实不大（False），为奇数（True）。

评估多标签分类器的方法很多，如何选择正确的度量指标取决于你的项目。比如方法之

一是测量每个标签的 F1 分数（或者之前讨论过的任何其他二元分类器指标），然后简单

地计算平均分数。下面这段代码计算所有标签的平均 F1 分数：

>>>

y_train_knn_pred ...