Auc

class paddle.fluid.metrics.Auc(name, curve='ROC', num_thresholds=4095)[源代码]

注意:目前只用Python实现Auc,可能速度略慢

该接口计算Auc,在二分类(binary classification)中广泛使用。相关定义参考 https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve

该接口创建四个局部变量true_positives, true_negatives, false_positives和false_negatives,用于计算Auc。为了离散化AUC曲线,使用临界值的线性间隔来计算召回率和准确率的值。用false positive的召回值高度计算ROC曲线面积,用recall的准确值高度计算PR曲线面积。

参数:
  • name (str,可选) – 具体用法请参见 Name ,一般无需设置,默认值为None。
  • curve (str) - 将要计算的曲线名的详情,曲线包括ROC(默认)或者PR(Precision-Recall-curve)。

返回:初始化后的 Auc 对象

返回类型:Auc

代码示例

import paddle.fluid as fluid
import numpy as np
# 初始化auc度量
auc_metric = fluid.metrics.Auc("ROC")

# 假设batch_size为128
batch_num = 100
batch_size = 128

for batch_id in range(batch_num):

    class0_preds = np.random.random(size = (batch_size, 1))
    class1_preds = 1 - class0_preds

    preds = np.concatenate((class0_preds, class1_preds), axis=1)

    labels = np.random.randint(2, size = (batch_size, 1))
    auc_metric.update(preds = preds, labels = labels)

    # 应为一个接近0.5的值,因为preds是随机指定的
    print("auc for iteration %d is %.2f" % (batch_id, auc_metric.eval()))
update(preds, labels)

用给定的预测值和标签更新Auc曲线。

参数:
  • preds (numpy.array) - 维度为[batch_size, 2],preds[i][j]表示将实例i划分为类别j的概率。
  • labels (numpy.array) - 维度为[batch_size, 1],labels[i]为0或1,代表实例i的标签。

返回:无

eval()

该函数计算并返回Auc值。

返回:Auc值

返回类型:float