Auc¶

class paddle.metric. Auc [源代码] ¶

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。

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。

参考链接：https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve

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 1¶

独立使用示例

            import numpy as np
import paddle

m = paddle.metric.Auc()

n = 8
class0_preds = np.random.random(size = (n, 1))
class1_preds = 1 - class0_preds

preds = np.concatenate((class0_preds, class1_preds), axis=1)
labels = np.random.randint(2, size = (n, 1))

m.update(preds=preds, labels=labels)
res = m.accumulate()

           

代码示例 2¶

在 Model API 中的示例

            import numpy as np
import paddle
import paddle.nn as nn

class Data(paddle.io.Dataset):
    def __init__(self):
        super(Data, self).__init__()
        self.n = 1024
        self.x = np.random.randn(self.n, 10).astype('float32')
        self.y = np.random.randint(2, size=(self.n, 1)).astype('int64')

    def __getitem__(self, idx):
        return self.x[idx], self.y[idx]

    def __len__(self):
        return self.n

model = paddle.Model(nn.Sequential(
    nn.Linear(10, 2), nn.Softmax())
)
optim = paddle.optimizer.Adam(
    learning_rate=0.001, parameters=model.parameters())

def loss(x, y):
    return nn.functional.nll_loss(paddle.log(x), y)

model.prepare(
    optim,
    loss=loss,
    metrics=paddle.metric.Auc())
data = Data()
model.fit(data, batch_size=16)

           

方法¶

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。