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

  1. import paddle.fluid as fluid
  2. import numpy as np
  3. # 初始化auc度量
  4. auc_metric = fluid.metrics.Auc("ROC")
  5. # 假设batch_size为128
  6. batch_num = 100
  7. batch_size = 128
  8. for batch_id in range(batch_num):
  9. class0_preds = np.random.random(size = (batch_size, 1))
  10. class1_preds = 1 - class0_preds
  11. preds = np.concatenate((class0_preds, class1_preds), axis=1)
  12. labels = np.random.randint(2, size = (batch_size, 1))
  13. auc_metric.update(preds = preds, labels = labels)
  14. # 应为一个接近0.5的值,因为preds是随机指定的
  15. print("auc for iteration %d is %.2f" % (batch_id, auc_metric.eval()))

方法

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

eval()

该函数计算并返回Auc值。

返回 Auc值

返回类型 float