Tính Confusion Matrix và các chỉ số Macro/Micro Evaluation Metrics thuần NumPy

Mục tiêu kiến thức

• Hiểu cấu trúc ma trận nhầm lẫn đa lớp (Multiclass Confusion Matrix) kích thước (C, C), trong đó hàng là nhãn thực tế (True) và cột là nhãn dự đoán (Pred).
• Sử dụng hàm np.bincount siêu tốc để đếm tần suất ghép cặp mà không cần duyệt vòng lặp.
• Tính toán các chỉ số đánh giá: Accuracy, Macro Precision, Macro Recall, Macro F1 và Micro F1.

Mô tả bài toán

Viết hàm compute_classification_metrics(y_true: np.ndarray, y_pred: np.ndarray, num_classes: int) -> dict:

• y_true, y_pred: Hai mảng 1D số nguyên chứa nhãn trong khoảng [0, num_classes - 1].
• Kiểm tra tính hợp lệ:
• Nếu len(y_true) != len(y_pred) hoặc len(y_true) == 0 hoặc num_classes <= 0, raise ValueError("Tham so khong hop le").
• Nếu có bất kỳ giá trị nào ngoài khoảng [0, num_classes - 1], raise ValueError("Nhan ngoai pham vi num_classes").
• Tính Ma trận nhầm lẫn CM kích thước (C, C):
• Sử dụng: idx = y_true * num_classes + y_pred.
• cm = np.bincount(idx, minlength=num_classes * num_classes).reshape(num_classes, num_classes).
• Tính các chỉ số:
• Tổng số mẫu: N = ∑ CM.
• Số mẫu đúng: TP = np.diag(CM).
• accuracy = np.sum(TP) / N.
• Đối với mỗi lớp c:
• Actual_c = ∑_j=0^C-1 CM[c, j]
• Pred_c = ∑_i=0^C-1 CM[i, c]
• Precision_c = TP[c]Pred_c nếu Pred_c > 0 ngược lại 0.0.
• Recall_c = TP[c]Actual_c nếu Actual_c > 0 ngược lại 0.0.
• F1_c = 2 · Precision_c · Recall_cPrecision_c + Recall_c nếu (Precision_c + Recall_c) > 0 ngược lại 0.0.
• Macro Metrics:
• macro_precision = np.mean(precisions)
• macro_recall = np.mean(recalls)
• macro_f1 = np.mean(f1_scores)
• Trả về dictionary:

   {
       "confusion_matrix": cm.tolist(),
       "accuracy": float(accuracy),
       "macro_precision": float(macro_precision),
       "macro_recall": float(macro_recall),
       "macro_f1": float(macro_f1)
   }

Ràng buộc

• Thời gian chạy tối đa: 1000ms.
• Giới hạn bộ nhớ: 256MB.
• Dữ liệu đầu vào tuân thủ đúng kiểu dữ liệu và miền giá trị được mô tả.