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。