tensorflow 评估指标中F1,AUC的计算

最新推荐文章于 2022-04-05 09:09:00 发布

junjie20082008

最新推荐文章于 2022-04-05 09:09:00 发布

阅读量5.9k

点赞数 2

分类专栏：算法深度学习 tenforflow

本文链接：https://blog.csdn.net/junjie20082008/article/details/106044574

版权

本文介绍了在TensorFlow中如何计算评估指标F1分数和AUC（Area Under Curve）。重点讲解了AUC的计算函数，包括返回值、参数设置以及注意事项。特别强调了在计算AUC前必须初始化局部变量，以及需要先执行AUC的更新操作才能获取正确的AUC值。同时提供了一个手动计算AUC的辅助方法作为补充。

摘要由CSDN通过智能技术生成

AUC计算的函数：

tf.metrics.auc(
    labels,
    predictions,
    weights=None,
    num_thresholds=200,
    metrics_collections=None,
    updates_collections=None,
    curve='ROC',
    name=None,
    summation_method='trapezoidal'
)

函数返回值：

auc: A scalar Tensor representing the current area-under-curve.
update_op: An operation that increments the true_positives, true_negatives, false_positives and false_negatives variables appropriately and whose value matches auc.

最简单的使用方法是直接传两个参数labels和predictions，也就是样本的标签和预测的概率，会得到返回的auc的值，num_thresholds的值默认为200，而越大auc的值会越精确，一直到你的样本数量为止，之后再增大不会改变，所以样本数大于200需要对num_thresholds进行传参。

需要注意的事项是：

1、调用该函数之前必须进行局部参数初始化。

sess.run(tf.local_variables_initializer()) 或 sess.run(tf.initialize_local_variables())

这里只sess.run(tf.global_variables