Auc¶
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().__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)