0127三分类问题

# 二、数据解析类** # 3.计算AI模型的推理结果 # 准确率是衡量一个模型效果好坏的重要指标。函数cal_acc能够对真实标签和推理结果进行比较，计算出准确率。 # 有一个三分类（三个标签）问题，参数中的“infer_y”是具有4个样本的推理结果， # 比如“[[0.1,0.2,0.7],[0.4,0.1,0.5],[0.3,0.4,0.3],[0.6,0.2,0.2]]”， # 其中“[0.1,0.2,0.7]”是第一个样本的推理结果，以此类推。参数中的“true_y”是样本的真实标签(Ground Truth)， # 比如“[2,2,1,2]”。前三个预测正确（推理结果与真实标签一致，如[0.1,0.2,0.7]表示第2项的概率最大）， # 最后一个错误（推理结果与真实标签不一致），因此准确率为3/4，即返回值为75%。
1. 三分类问题 假设我们有一个三分类问题，即每个样本的标签可以是0、1或2。例如，0可以代表“石头”，1可以代表“剪刀”，2可以代表“布”。 2. 推理结果（infer_y） infer_y是一个二维列表，每个子列表表示一个样本的推理结果。例如： Python复制 infer_y = [[0.1, 0.2, 0.7], [0.4, 0.1, 0.5], [0.3, 0.4, 0.3], [0.6, 0.2, 0.2]] 每个子列表中的三个数字分别表示该样本属于类别0、1、2的概率。例如： [0.1, 0.2, 0.7]表示第一个样本属于类别0的概率是0.1，属于类别1的概率是0.2，属于类别2的概率是0.7。 [0.4, 0.1, 0.5]表示第二个样本属于类别0的概率是0.4，属于类别1的概率是0.1，属于类别2的概率是0.5。 3. 真实标签（true_y） true_y是一个一维列表，表示每个样本的真实标签。例如： Python复制 true_y = [2, 2, 1, 2] 第一个样本的真实标签是2。 第二个样本的真实标签是2。 第三个样本的真实标签是1。 第四个样本的真实标签是2。 4. 预测正确的样本 我们需要比较每个样本的推理结果和真实标签，判断预测是否正确。 示例分析 第一个样本： 推理结果：[0.1, 0.2, 0.7] 真实标签：2 推理结果中概率最大的是0.7，对应的索引是2，与真实标签2一致，因此预测正确。 第二个样本： 推理结果：[0.4, 0.1, 0.5] 真实标签：2 推理结果中概率最大的是0.5，对应的索引是2，与真实标签2一致，因此预测正确。 第三个样本： 推理结果：[0.3, 0.4, 0.3] 真实标签：1 推理结果中概率最大的是0.4，对应的索引是1，与真实标签1一致，因此预测正确。 第四个样本： 推理结果：[0.6, 0.2, 0.2] 真实标签：2 推理结果中概率最大的是0.6，对应的索引是0，与真实标签2不一致，因此预测错误。 5. 计算准确率 预测正确的样本数量：3 总样本数量：4 准确率 = (预测正确的样本数量 / 总样本数量) * 100 = (3 / 4) * 100 = 75% 代码实现 Python复制 def cal_acc(infer_y, true_y): correct_count = 0 for i in range(len(infer_y)): predicted_label = infer_y[i].index(max(infer_y[i])) if predicted_label == true_y[i]: correct_count += 1 accuracy = (correct_count / len(true_y)) * 100 return f"{accuracy:.2f}%" # 测试数据 infer_y = [[0.1, 0.2, 0.7], [0.4, 0.1, 0.5], [0.3, 0.4, 0.3], [0.6, 0.2, 0.2]] true_y = [2, 2, 1, 2] # 调用函数并输出结果 result = cal_acc(infer_y, true_y) print(result) # 输出: 75.00% 总结 推理结果：每个样本属于各个类别的概率。 真实标签：每个样本的实际类别。 预测正确：推理结果中概率最大的类别与真实标签一致。 准确率：预测正确的样本数量占总样本数量的比例。