TypeError: Ожидался объект последовательности или массивоподобный, получен

Я обучаю CNN, она работает хорошо, но я получаю ошибку, когда пытаюсь получить precision_score, recall_score и f1_score. Вот фрагмент моего кода;

# Следующий шаг - разделить обучающие и тестовые данные. Для этого мы будем использовать функцию sklearn train_test_split().
features_train, features_test, labels_train, labels_test = train_test_split(features, labels, test_size=.2)

features_train.shape, features_test.shape, labels_train.shape, labels_test.shape

((180568, 2677356), (45143, 2677356), (180568,), (45143,))

features_train.shape[0], features_train.shape[1], labels_train.shape[0]

(180568, 2677356, 180568)

n_timesteps, n_features, n_outputs = features_train.shape[0], features_train.shape[1], labels_train.shape[0]

X_train = np.zeros((180568, 82, 1))
y_train = np.zeros((180568, 82))
n_timesteps, n_features, n_outputs = X_train.shape[1], X_train.shape[2], y_train.shape[1]
n_samples = 1000

X = np.random.uniform(0,1, (n_samples, n_timesteps, n_features))
y = pd.get_dummies(np.random.randint(0,n_outputs, n_samples)).values

model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(input_shape=(n_timesteps, n_features), activation='relu', kernel_size=2, filters=32),
tf.keras.layers.MaxPooling1D(strides=3),
#tf.nn.local_response_normalization((1, 1, 1, 1), depth_radius=5, bias=1, alpha=1, beta=0.5, name=None),
tf.keras.layers.LayerNormalization(axis=1),
tf.keras.layers.Conv1D(input_shape=(n_timesteps, n_features), activation='relu', kernel_size=2, filters=64),
tf.keras.layers.MaxPooling1D(strides=3), # также GlobalMaxPooling1D() нормально
tf.keras.layers.LayerNormalization(axis=1),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(n_outputs, activation='softmax')
]) 

model.compile('adam', 'binary_crossentropy', metrics=['accuracy'])

model.summary()

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d (Conv1D)              (None, 81, 32)            96        
_________________________________________________________________
max_pooling1d (MaxPooling1D) (None, 27, 32)            0         
_________________________________________________________________
layer_normalization (LayerNo (None, 27, 32)            54        
_________________________________________________________________
conv1d_1 (Conv1D)            (None, 26, 64)            4160      
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 9, 64)             0         
_________________________________________________________________
layer_normalization_1 (Layer (None, 9, 64)             18        
_________________________________________________________________
flatten (Flatten)            (None, 576)               0         
_________________________________________________________________
dense (Dense)                (None, 82)                47314     
=================================================================
Total params: 51,642
Trainable params: 51,642
Non-trainable params: 0

history = model.fit(X_train, y_train, epochs=10, verbose=1, validation_data=(X, y))

Train on 180568 samples, validate on 1000 samples
Epoch 1/10
180568/180568 [==============================] - 130s 718us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0695 - val_acc: 0.9878
Epoch 2/10
180568/180568 [==============================] - 128s 707us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0695 - val_acc: 0.9878
Epoch 3/10
180568/180568 [==============================] - 101s 561us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0695 - val_acc: 0.9878
Epoch 4/10
180568/180568 [==============================] - 77s 426us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0694 - val_acc: 0.9878
Epoch 5/10
180568/180568 [==============================] - 75s 413us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0694 - val_acc: 0.9878
Epoch 6/10
180568/180568 [==============================] - 75s 418us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0694 - val_acc: 0.9878
Epoch 7/10
180568/180568 [==============================] - 113s 624us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0694 - val_acc: 0.9878
Epoch 8/10
180568/180568 [==============================] - 109s 602us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0694 - val_acc: 0.9878
Epoch 9/10
180568/180568 [==============================] - 115s 639us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0693 - val_acc: 0.9878
Epoch 10/10
180568/180568 [==============================] - 129s 716us/sample - loss: 0.0123 - acc: 1.0000 - val_loss: 0.0693 - val_acc: 0.9878

from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

print("Precision: %f "%precision_score(y_train, pred)) <---- Здесь я получаю ошибку
print("Recall: %f "%recall_score(y_train, pred))
print("F1: %f"% f1_score(y_train, history))

Ошибка, которую я получил;

TypeError: Expected sequence or array-like, got <class 'tensorflow.python.keras.callbacks.History'>

Вы используете переменную pred для расчета своих метрик, что не сработает, поскольку pred является объектом обратного вызова. Прогнозы от модели не сохраняются во время обучения модели, только метрики вашей модели (например, потери и точность) сохраняются с использованием объекта обратного вызова истории. Если вы хотите получить предсказанный вывод для образцов, вы можете использовать метод model.predict. Это вернёт массив numpy предсказанного вывода от вашей модели, который затем вы можете использовать в своих метрик.

Измените свой код на этот.

pred = model.predict(X_train)
print("Precision: %f "%precision_score(y_train, pred)) 
print("Recall: %f "%recall_score(y_train, pred))
print("F1: %f"% f1_score(y_train, pred))

Проблема в том, что вы обучаете модель, но не сделали прогнозы, чтобы сравнить их с истинными значениями. Вам сначала нужно сделать прогнозы с помощью метода model.predict(), а затем вы можете сравнить pred и y_train.