sklearn多分类求AUC，多分类report

目录

1.多分类求AUC

2.多分类sklearn report：

注意：logits和score不同，二者关系是：score=softmax（logits）或sigmod（logits），而logits定义如下：一件事情发生的概率比上它不发生的概率，然后再做log运算

而下述内容中的y_score均是指score

1.多分类求AUC

一般调用sklearn的roc_auc_score方法，

roc_auc_score(y_true, y_score, *, average="macro", sample_weight=None,
                  max_fpr=None, multi_class="raise", labels=None):

但是该方法在多分类计算时，有两个要求：

1.y_score的维度需要和标签种类数一致。而在二分类问题中，可以直接取y_score的第二维，如果多分类也这样会报错。AxisError: axis -1 is out of bounds for array of dimension 0。

见例子：(10条消息) sklearn(二)计算auc:使用sklearn.metrics.roc_auc_score()计算多分类的auc_凝眸伏笔的博客-CSDN博客_sklearn 计算auchttps://blog.csdn.net/pearl8899/article/details/109830350?spm=1001.2101.3001.6650.9&utm_medium=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromBaidu~Rate-9.pc_relevant_aa&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromBaidu~Rate-9.pc_relevant_aa&utm_relevant_index=10

2.在满足1之后，还需要保证同一节点的的几个维度之和=1，即需要做softmax。因为y_score在几种分类可能性之和并不为1，这也会使得该函数报错。ValueError: Target scores need to be probabilities for multiclass roc_auc, i.e. they should sum up t。

总结多分类AUC代码如下：

val_auc = roc_auc_score(labels[val_idx].cpu(), th.softmax(logits_gnn.data[val_idx].cpu(),dim=1),multi_class='ovo')

2.多分类sklearn report：

使用sklearn的classification_report时注意，y_pred需要是1d array，即经过argmax（）

target_names=['{}'.format(i) for i in range(num_classes)]
report = classification_report(labels[test_idx].cpu().detach().numpy(), torch.argmax(logp[test_idx],dim=1).cpu().detach().numpy(), target_names=target_names, digits=4)