Python tf.keras.metrics.AUC用法及代碼示例

近似 ROC 或 PR 曲線的 AUC(曲線下麵積)。

繼承自：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；默認)或 PR(精確召回)曲線的 AUC(曲線下麵積)是二元分類器的質量度量。與準確度不同，與 cross-entropy 損失一樣，ROC-AUC 和 PR-AUC 評估模型的所有操作點。

此類使用黎曼和來近似 AUC。在度量累積階段，預測在預定義的桶中按值累積。然後通過插值 per-bucket 平均值來計算 AUC。這些桶定義了評估的操作點。

該指標創建四個局部變量，true_positives , true_negatives , false_positives 和 false_negatives，用於計算 AUC。為了離散化 AUC 曲線，使用一組線性間隔的閾值來計算成對的召回率和精度值。因此，ROC-curve 下的區域是通過誤報率使用召回值的高度來計算的，而 PR-curve 下的區域是使用召回率的精度值的高度來計算的。

該值最終以 auc 的形式返回，這是一種冪等運算，用於計算精度與召回值的離散曲線下的麵積(使用上述變量計算)。 num_thresholds 變量控製離散化程度，閾值越多越接近真實 AUC。根據 num_thresholds 的不同，近似的質量可能會有很大差異。 thresholds 參數可用於手動指定閾值，從而更均勻地分割預測。

為了獲得真實 AUC 的最佳近似值，predictions 應大致均勻分布在 0、1 範圍內。如果不是這種情況，AUC 近似值的質量可能會很差。將 summation_method 設置為 'minoring' 或 'majoring' 可以通過提供 AUC 的下限或上限估計值來幫助量化近似誤差。

如果 sample_weight 是 None ，則權重默認為 1。使用 0 的 sample_weight 來屏蔽值。

單機使用：

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)])