自动识别任务类型：一维整数y_true且类别≤20→分类；一维浮点y_true与y_pred→回归；二维y_true或概率矩阵y_pred→多标签/多分类；概率未归一化时先softmax/sigmoid校正。
直接用 sklearn.metrics 里的函数拼装就行，不用从头写公式；但关键在于「通用」——得自动适配分类/回归/多标签等任务类型，否则每次换任务都要改逻辑。
怎么让脚本自动识别任务类型并选对指标？
靠目标变量 y_true 的数据形态和 y_pred 的预测形式判断，而不是靠人工传参指定任务类型：
- 如果
y_true是一维整数且取值个数 ≤ 20，y_pred是一维（或概率矩阵的 argmax），默认按 分类 处理 - 如果
y_true是一维浮点数，且y_pred也是一维浮点数，走 回归 路径 - 如果
y_true是二维（如 shape=(n_samples, n_classes)）或y_pred是概率矩阵（sum(axis=1) ≈ 1），启用 多标签/多分类 指标 - 遇到
y_pred是概率输出但未归一化，先用softmax或sigmoid校正，再判断；不校正会误判为回归
哪些指标必须包含，哪些可以按需开关？
核心指标要覆盖常见场景，但得允许关闭低信息量项（比如二分类时 f1_macro 和 f1_weighted 重复）：
- 分类必开：
accuracy_score、precision_recall_fscore_support（返回 per-class + macro/weighted）、roc_auc_score（仅当有概率输出且为二分类或多标签时计算） - 回归必开：
mean_absolute_error、mean_squared_error（带squared=False输出 RMSE）、r2_score - 可选开关：
classification_report（文本太长，适合调试时开）、confusion_matrix（只在需要可视化时才算，避免内存暴涨） - 注意
log_loss要求输入是概率且严格 > 0 且 eps=1e-15 截断，否则报ValueError: Target is multiclass but average='binary'
怎么安全处理异常预测输出？
真实 pipeline 中 y_pred 可能是 raw logits、nan、inf、维度错位，不能直接喂给 sklearn：
- 用
np.nan_to_num(y_pred, nan=0.0, posinf=1.0, neginf=0.0)清洗 inf/nan - 检查
y_pred.shape == y_true.shape，不等就尝试np.squeeze或 reshape；若仍失败，抛出明确错误："shape mismatch: y_true has shape {y_true.shape}, y_pred has shape {y_pred.shape}" - 对分类任务，若
y_pred是二维但没归一化，用softmax(y_pred, axis=1)转成概率；别依赖用户自己做这步 - 多标签场景下，
y_pred若是概率，需用threshold=0.5转成 0/1；这个阈值要暴露为参数，默认 0.5，但得提醒用户“该值影响 precision/recall 平衡”
最易被忽略的是指标语义一致性：比如把回归模型的输出强行送进 roc_auc_score，它不会报错，但结果毫无意义。脚本里得在计算前加一层 if not is_classification_task: skip_auc = True 这类守卫逻辑，而不是靠文档提醒。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
