Auc

class paddle.metric.Auc [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：

  • curve (str) - 将要计算的曲线名的模式，包括’ROC’（默认）或者’PR’（Precision-Recall-curve）。

  • num_thresholds (int) - 离散化AUC曲线的整数阈值数，默认是4095。

  • name (str，可选) – metric实例的名字，默认是’auc’。

代码示例：

# 独立使用示例:

  1. import numpy as np
  2. import paddle
  4. m = paddle.metric.Auc()
  6. n = 8
  7. class0_preds = np.random.random(size = (n, 1))
  8. class1_preds = 1 - class0_preds
  10. preds = np.concatenate((class0_preds, class1_preds), axis=1)
  11. labels = np.random.randint(2, size = (n, 1))
  13. m.update(preds=preds, labels=labels)
  14. res = m.accumulate()

# 在Model API中的示例:

  1. import numpy as np
  2. import paddle
  3. import paddle.nn as nn
  5. class Data(paddle.io.Dataset):
  6.     def __init__(self):
  7.         super(Data, self).__init__()
  8.         self.n = 1024
  9.         self.x = np.random.randn(self.n, 10).astype('float32')
  10.         self.y = np.random.randint(2, size=(self.n, 1)).astype('int64')
  12.     def __getitem__(self, idx):
  13.         return self.x[idx], self.y[idx]
  15.     def __len__(self):
  16.         return self.n
  18. model = paddle.Model(nn.Sequential(
  19.     nn.Linear(10, 2), nn.Softmax())
  20. )
  21. optim = paddle.optimizer.Adam(
  22.     learning_rate=0.001, parameters=model.parameters())
  24. def loss(x, y):
  25.     return nn.functional.nll_loss(paddle.log(x), y)
  27. model.prepare(
  28.     optim,
  29.     loss=loss,
  30.     metrics=paddle.metric.Auc())
  31. data = Data()
  32. model.fit(data, batch_size=16)

update ( pred, label, \args* )

更新AUC计算的状态。

参数:

  • preds (numpy.array | Tensor): 一个shape为[batch_size, 2]的Numpy数组或Tensor，preds[i][j]表示第i个样本类别为j的概率。

  • labels (numpy.array | Tensor): 一个shape为[batch_size, 1]的Numpy数组或Tensor，labels[i]是0或1，表示第i个样本的类别。

返回: 无。

reset ( )

清空状态和计算结果。

返回：无

accumulate ( )

累积的统计指标，计算和返回AUC值。

返回：AUC值，一个标量。

name ( )

返回Metric实例的名字, 参考上述的name，默认是’auc’。

返回: 评估的名字，string类型。