Python tf.keras.metrics.AUC用法及代码示例

近似 ROC 或 PR 曲线的 AUC(曲线下面积)。

继承自：Metric、Layer、Module

用法

tf.keras.metrics.AUC(
    num_thresholds=200, curve='ROC',
    summation_method='interpolation', name=None, dtype=None,
    thresholds=None, multi_label=False, num_labels=None, label_weights=None,
    from_logits=False
)

ROC(接收器操作特征；默认)或 PR(精确召回)曲线的 AUC(曲线下面积)是二元分类器的质量度量。与准确度不同，与 cross-entropy 损失一样，ROC-AUC 和 PR-AUC 评估模型的所有操作点。

此类使用黎曼和来近似 AUC。在度量累积阶段，预测在预定义的桶中按值累积。然后通过插值 per-bucket 平均值来计算 AUC。这些桶定义了评估的操作点。

该指标创建四个局部变量，true_positives , true_negatives , false_positives 和 false_negatives，用于计算 AUC。为了离散化 AUC 曲线，使用一组线性间隔的阈值来计算成对的召回率和精度值。因此，ROC-curve 下的区域是通过误报率使用召回值的高度来计算的，而 PR-curve 下的区域是使用召回率的精度值的高度来计算的。

该值最终以 auc 的形式返回，这是一种幂等运算，用于计算精度与召回值的离散曲线下的面积(使用上述变量计算)。 num_thresholds 变量控制离散化程度，阈值越多越接近真实 AUC。根据 num_thresholds 的不同，近似的质量可能会有很大差异。 thresholds 参数可用于手动指定阈值，从而更均匀地分割预测。

为了获得真实 AUC 的最佳近似值，predictions 应大致均匀分布在 0、1 范围内。如果不是这种情况，AUC 近似值的质量可能会很差。将 summation_method 设置为 'minoring' 或 'majoring' 可以通过提供 AUC 的下限或上限估计值来帮助量化近似误差。

如果 sample_weight 是 None ，则权重默认为 1。使用 0 的 sample_weight 来屏蔽值。

单机使用：

m = tf.keras.metrics.AUC(num_thresholds=3)
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9])
# threshold values are [0 - 1e-7, 0.5, 1 + 1e-7]
# tp = [2, 1, 0], fp = [2, 0, 0], fn = [0, 1, 2], tn = [0, 2, 2]
# tp_rate = recall = [1, 0.5, 0], fp_rate = [1, 0, 0]
# auc = ((((1+0.5)/2)*(1-0)) + (((0.5+0)/2)*(0-0))) = 0.75
m.result().numpy()
0.75

m.reset_state()
m.update_state([0, 0, 1, 1], [0, 0.5, 0.3, 0.9],
               sample_weight=[1, 0, 0, 1])
m.result().numpy()
1.0

compile() API 的用法：

# Reports the AUC of a model outputting a probability.
model.compile(optimizer='sgd',
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=[tf.keras.metrics.AUC()])

# Reports the AUC of a model outputting a logit.
model.compile(optimizer='sgd',
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=[tf.keras.metrics.AUC(from_logits=True)])