论文题目: AUCµ: A Performance Metric for Multi-Class Machine Learning Models
论文地址: http://proceedings.mlr.press/v97/kleiman19a.html
论文发表于: PLMR 2019
论文大体内容:
本文主要提出了在多分类下的AUC计算方法——AUCµ,具有与AUC同样的特性。
Motivation:
二分类问题往往会使用AUC进行eval,而多分类上往往会使用softmax。本文提出了AUCµ是为了能够在多分类任务上也能使用AUC方法。
Contribution:
在多分类上也可以使用类似AUC的指标去衡量;
1. AUCµ主要计算公式如下:
2. 代码解读[1]。
①代码中的S是论文中去掉系数(1/ni/nj)的部分;
②class_i_j_indices存储的是class为i和j的全部元素;
③dist存储加weight后的分数;
④sort dist;
⑤O(n)计算auc;
所以复杂度是 按class排序O(nlogn) + 计算S(i, j)部分O(K(n+nlog(2n/K)))) + 累加O(K^2) = O(Knlogn)
参考资料:
[1] 实现代码:https://github.com/microsoft/LightGBM/pull/2567/files
以上均为个人见解,因本人水平有限,如发现有所错漏,敬请指出,谢谢!