scikit-learn中classification_repo

from sklearn.metrics import classification_report, accuracy_score
classification_report(y_test, y_pre, target_names=target_names)

scikit-learn中的classification_report是强大的函数，可以计算查全率，查准率，F1参数，keras中没有相关的函数，并且keraslabel为one-hot，输出的为[0.3.0.2,0.5]这样的softmax数据，如何转化为[4,5,5]这样的标签数据用于适配classification_report函数。

1、one-hot转化为整数label

代码如下：

import numpy as np
def onehot_to_category(onehot):
      b = np.array([[0], [1], [2],[3],[4],[5]])
      return np.dot(onehot,b).flatten()

原理很简单，矩阵的乘法
输入时n*6的矩阵，n个样本，一共6类，6代表onehot编码如[0,0,0,0,0,1]

b为列向量，shape为6*1

np.dot(a,b)代表a矩阵与b矩阵的乘法，输出矩阵为n*1，即转化为整数的lable形式

2、softmax输出转化为整数label

代码如下
def softmax_to_category(a):
max2 = []
for item in a:
i=np.argmax(item)
max2.append(i)
return max2
比较low的方法，诸葛数据取最大值，取最大值的索引，就是整数形式的label