auc

paddle.static. auc ( input, label, curve='ROC', num_thresholds=4095, topk=1, slide_steps=1, ins_tag_weight=None ) [源代码]

Area Under the Curve(AUC) Layer

该层根据前向输出和标签计算 AUC，在二分类(binary classification)估计中广泛使用。

注：如果输入标注包含一种值，只有 0 或 1 两种情况，数据类型则强制转换成布尔值。

相关定义可以在这里找到：https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve

有两种可能的曲线：

  1. ROC：受试者工作特征曲线

  2. PR：准确率召回率曲线

参数

  • input (Tensor) - 数据类型为 float32、float64。浮点二维变量，值的范围为[0,1]。每一行降序排列。该输入为网络预测值，通常代表每个标签的概率。

  • label (Tensor) - 数据类型为 int32、int64。二维整型变量，为训练数据的标签，第一维大小代表 batch size，第二维大小为 1。

  • curve (str，可选) - 曲线类型，可以为 ROC 或 PR，默认 ROC。

  • num_thresholds (int，可选) - 将 roc 曲线离散化时使用的临界值数。默认 4095。

  • topk (int，可选) - 取 topk 的输出值用于计算。

  • slide_steps (int，可选) - 当计算 batch auc 时，不仅用当前步也用于先前步。slide_steps=1，表示用当前步；slide_steps = 3 表示用当前步和前两步；slide_steps = 0，则用所有步。默认值为 1。

  • ins_tag_weight (Tensor，可选) - 在多 instag 场景下，该数值代表着数据的真伪性，如果为 0，说明数据是被填充的假数据，如果为 1，说明为真数据。默认为 None，此时该数值被赋值为 1。

返回

tuple，当前计算出的 AUC。数据类型是 Tensor，支持 float32 和 float64。

返回的元组为 auc_out, batch_auc_out, [batch_stat_pos, batch_stat_neg, stat_pos, stat_neg]。

  • auc_out 为准确率的结果；

  • batch_auc_out 为 batch 准确率的结果；

  • batch_stat_pos 为 batch 计算时 label=1 的统计值；

  • batch_stat_neg 为 batch 计算时 label=0 的统计值；

  • stat_pos 计算时 label=1 的统计值；

  • stat_neg 为计算时 label=0 的统计值。

代码示例

>>> import paddle
>>> import numpy as np
>>> paddle.enable_static()

>>> paddle.seed(2023)
>>> data = paddle.static.data(name="input", shape=[-1, 32,32], dtype="float32")
>>> label = paddle.static.data(name="label", shape=[-1], dtype="int")
>>> fc_out = paddle.static.nn.fc(x=data, size=2)
>>> predict = paddle.nn.functional.softmax(x=fc_out)
>>> result=paddle.static.auc(input=predict, label=label)

>>> place = paddle.CPUPlace()
>>> exe = paddle.static.Executor(place)

>>> exe.run(paddle.static.default_startup_program())
>>> np.random.seed(1107)
>>> x = np.random.rand(3,32,32).astype("float32")
>>> y = np.array([1,0,1])
>>> output= exe.run(feed={"input": x,"label": y},
...                 fetch_list=[result[0]])
>>> print(output)
[array(1.)]

使用本API的教程文档