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
# init the auc metric
auc_metric = fluid.metrics.Auc("ROC")

# suppose that batch_size is 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)

    # shall be some score closing to 0.5 as the preds are randomly assigned
    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。

返回无

eval()¶

该函数计算并返回Auc值。

返回 Auc值

返回类型 float