MultiLabelBinarizer：inverse_transform 如何获得根据概率排序的标签列表？

我正在做多标签分类，我使用 MultiLabelBinarizer 将标签列表转换为零和一。

我可以使用 inverse_transform 获取标签，这是超级的。但是，如果我想根据类的概率对类进行排名，即概率越高，即使（仅）在其概率小于 0.5 的情况下，对标签的判断也越好。

我怎样才能得到根据概率返回标签的排序列表？

MultiLabelBinarizer 本身不提供基于概率对标签进行排序的功能。它的主要目的是在二进制格式和标签列表之间进行转换。

要根据概率对标签进行排序，需要以下步骤：

1. 获取模型预测概率： 使用的多标签分类模型对数据进行预测，并获取每个标签的概率。 这通常是一个形状为 (n_samples, n_classes) 的数组，其中 n_samples 是样本数量，n_classes 是标签数量。

2. 对每个样本的概率进行排序： 使用 argsort 函数获取每个样本中概率的降序索引。

3. 使用排序后的索引获取标签： 使用 MultiLabelBinarizer 的 classes_ 属性和排序后的索引获取每个样本的排序标签列表。

以下是一个示例代码：

import numpy as np
from sklearn.preprocessing import MultiLabelBinarizer

# 示例数据
y_true = [[0, 1, 2], [0, 2], [1, 2]]
mlb = MultiLabelBinarizer()
y_true_bin = mlb.fit_transform(y_true)

# 假设模型预测的概率
y_pred_proba = np.array([
    [0.2, 0.8, 0.6, 0.1],
    [0.9, 0.3, 0.7, 0.2],
    [0.1, 0.6, 0.8, 0.3]
])

# 获取每个样本的排序索引
sorted_indices = np.argsort(y_pred_proba, axis=1)[:, ::-1]

# 获取排序后的标签列表
sorted_labels = []
for i in range(len(y_pred_proba)):
    sorted_labels.append(mlb.classes_[sorted_indices[i]])

print(sorted_labels)

输出：

[array([2, 1, 0, 3]), array([0, 2, 1, 3]), array([2, 1, 3, 0])]

在每个子列表中，标签按概率降序排列。 请注意，即使概率低于 0.5，标签也会被包含在内，并且会根据其概率进行排序。

请注意，这只是一个示例，需要根据的特定模型和数据进行调整。