auc计算

最新推荐文章于 2022-11-11 16:56:34 发布
最新推荐文章于 2022-11-11 16:56:34 发布
阅读量1.6k 收藏 1
点赞数
分类专栏： 搜索推荐知识 文章标签： 机器学习 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42307036/article/details/122322514
版权

干货

auc的计算

  • 有两种计算方式：
    • 第一种：适合口算，特殊说明：一组正负样本得分相同则分子给0.5即可，多组相同乘以组数即可
    • 第二种：大多数书上给的计算公式，相较第一种不太适合口算。
  • 另外还有绘制ROC曲线，再算area-under-curve的方式，通用方式积分求面积

tf.metrics.auc

  • 常用的auc计算方式有两种
    • 一种是tensorflow的tf.metrics.auc函数
    • 一种是sklearn中的roc_auc_score()函数。
    • 二者都是通过极限逼近求积分的思想，计算roc曲线下面积的一个个小梯形的面积和得到auc。
    • sklearn中对全负样本和全正样本没有做特殊处理，所以出现这两种情况的时候会报错，因此通过roc_auc_score()函数算gauc的时候，过滤掉相应的全负或者全正用户。
    • 而tf中的有一个分母为0时的无穷小的数打底，如果样本全正或者全负tf中的auc会1
      在这里插入图片描述
      求证样本全正全负情况下tf中求曲线面积得到的auc为1，需要对真阳率和假阳率做进一步分析，在这里用auc的第二种计算公式做简单说明：见下图
      在这里插入图片描述
      说明：M和N分别为正样本和负样本个数，一旦全负或者全正样本，分母则为0，auc无穷大，如果加一个极小值打底，高数求极限思想，分子分母都无穷小，则auc为1。（全负样本的时候tf.metrics.auc=1 这种情况在我之前的工作中出现了这样的case（label 的feature columns的key出现了前后不一致，所以会默认为0，即全负样本，那个时候的自拟合auc是1，排查问题也是耗费了一些时间）

大致看下就ok

  • auc跟样本真实label和预测概率排序相关在这里插入图片描述在这里插入图片描述

单个用户的样本全是正样本或者全是负样本，auc就算不出来了，会报错，所以算gauc的时候要过滤这两类的case
在这里插入图片描述

在这里插入图片描述

gauc的求法一般用的是下面的这种，用户样本数作为系数
在这里插入图片描述
在这里插入图片描述

幡然醒悟的研二狗-致敬所有受压迫的博士
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python sklearn库 rnn_如何使用Tensorflow计算RNN和LSTM模型的AUC并生成ROC曲线？
weixin_29025501的博客
01-14 1364
我使用一个自定义的预定义函数trainDNN运行RNN和LSTM模型import tensorflow as tffrom tensorflow.contrib.layers import fully_connectedimport h5pyimport timefrom sklearn.utils import shuffledef trainDNN(path, n_days, n_featur...
auc计算逻辑
霜叶的博客
06-14 1474
aucyuan https://zhuanlan.zhihu.com/p/84035782
AUC的计算
07-09 4726
AUC的计算方法
AUC的两种计算方式
凝眸伏笔的博客
08-02 2万+
推荐 搜索场景下的auc理解_凝眸伏笔的博客-CSDN博客_搜索auc随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。：真正率FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例。：假正率AUC的优势:AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。...
AUC的三种计算方法及代码
November、Chopin
11-11 8437
AUC的计算方法
AUC计算方法与Python实现代码
09-17
AUC（Area Under the Curve），全称为曲线下面积，是评估二分类模型性能的重要指标，特别是在预测结果不确定...通过Python实现，我们可以方便地将AUC计算集成到模型训练和验证流程中，以便对模型进行有效的比较和优化。
ROC曲线AUC计算
05-20
计算AUC，画出ROC曲线，给出各种统计参数 matlab 程序
python计算auc指标实例
09-21
下面小编就为大家带来一篇python计算auc指标实例。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧
python计算auc的方法
12-17
1、安装scikit-learn 1.1 Scikit-learn 依赖 Python (>= 2.6 or >= 3.3), NumPy (>= 1.6.1), SciPy (>= 0.9). 分别查看上述三个依赖的版本： python -V  结果： Python 2.7.3 ...python -c 'import scipy;...
2. AUC的四种计算方法
qz的博客
10-05 6439
1. 定义法 POC曲线横轴为FPR：假正例率，纵轴为TPR：真正例率。 AUC其实就是ROC曲线下的面积： m为总样本个数 2. 排序损失法 形式化的看，AUC考虑的是样本预测的排序质量，因此与排序误差有紧密联系。 给定 m+ 个正例和m-个反例，令D+和D-分别表示正、反例集合，则排序损失定义为： 解释：排序是按照样本被预测成正例的概率由大到小降序排列。理想中的预测是正例都排在反例的前面。但是不一定会是理想的，有可能出现了损失：有的反例出现在了正例的前面，但是要怎样计算这种损失呢？ 遍历每一个反例
AUC如何计算
沐叔
02-27 3773
AUC计算 AUC简言 AUC(Area Under Curve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大的容忍性，目前常见的机器学习库中(比如scikit-learn)一般也都是集成该指标的计算，但是有时候模型是单独的或者自己编写的，此时想要评估训练模型的好坏就得自己搞一个AUC计算模块，本文在查询资料时发现libsvm-tools有一个非常通俗易懂的...
tf.metrics
weixin_36670529的博客
09-04 943
一、函数列表 accuracy(...): 计算预测与标签匹配的频率。 auc(...): 通过黎曼和计算近似AUC。 average_precision_at_k(...): 计算相对于稀疏标签的预测的平均精度@k。 false_negatives(...): 计算错误否定的总数。 false_negatives_at_thresholds(...): 根据给定的阈值计算假阴性。 f...
sklearn自建评价AUC函数
weixin_43506858的博客
06-09 533
利用sklearn自建评价函数 from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score from keras.callbacks import Callback class RocAucEvaluation(Callback): def __init__(...
tf.metrics.auc一直为0
Talk Is Cheap
05-30 794
改用sklearn的： from sklearn import metrics auc_score = metrics.roc_auc_score(label_list, predict_score_list) 其中label_list必须转成0或1的int值， predict_score_list是0到1的float值
tensorflow笔记（二十三）——tf.metrics
蚂蚁搬家
08-08 1637
1.概述 tf.metrics主要是实现了评估相关的各种指标函数，比如mean、precesion、auc、precession、mse、precesion_at_k等等。以tf1.15为例，主要包括： accuracy(...): Calculates how often predictions matches labels. auc(...): Computes the approximate AUC via a Riemann sum. average_precision_at_k(...): Com
tensorflow tf.estimator 打印AUC
Talk Is Cheap
03-12 994
auc,auc_op = tf.metrics.auc(labels=labels, predictions=tf.sigmoid(logits)) if mode == tf.estimator.ModeKeys.EVAL: eval_metrics = {"auc":(auc,auc_op)} output_spec = tf.estimator.EstimatorSpec( mode=mode, loss=total
AUC详解与python实现
热门推荐
lieying的博客
07-28 4万+
AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积，如下图： 要理解这张图的含义，得先理解下面这个表： 表中列代表预测分类，行代表实际分类： 实际1，预测1：真正类（tp） 实际1，预测0：假负类（fn） 实际0，预测1：假正类（fp） 实际0，预测0：真负类（tn） 真实负样本总数=n=fp+tn 真实正样...
深入理解TensorFlow中的tf.metrics算子
TEDDY的博客
02-20 715
深入理解TensorFlow中的tf.metrics算子 - 知乎
【机器学习】AUC计算
筱
04-08 1948
参考：https://blog.csdn.net/u013385925/article/details/80385873 AUC是ROC曲线下的面积 首先，介绍一下ROC曲线的绘制 ROC曲线 ROC曲线的横轴表示真正例率FPR，纵轴表示假正例率FPR TPR=TPTP+FNTPR = \frac{TP} {TP + FN}TPR=TP+FNTP​FPR=FPFP+TNFPR = \frac{FP...
python auc计算
最新发布
07-27
在Python中，可以使用不同的方法来计算AUC（Area Under Curve）。以下是两种常用的方法： 方法一：使用sklearn库中的metrics模块 可以使用sklearn库中的metrics模块来计算AUC。首先，需要导入numpy和sklearn.metrics模块。然后，可以使用metrics.roc_curve函数计算真实标签值和模型预测得分的ROC曲线。最后，使用metrics.auc函数计算ROC曲线下的面积，即AUC值。 以下是一个示例代码： ```python import numpy as np from sklearn import metrics def compute_auc(y_true, y_score): fpr, tpr, _ = metrics.roc_curve(y_true, y_score) auc_value = metrics.auc(fpr, tpr) return auc_value ``` 在这个示例代码中，compute_auc函数接受真实标签值y_true和模型预测得分y_score作为输入，并返回计算得到的AUC值。 方法二：使用sklearn库中的roc_auc_score函数 另一种计算AUC的方法是使用sklearn库中的roc_auc_score函数。首先，需要导入sklearn.metrics模块。然后，可以使用roc_auc_score函数计算AUC值。 以下是一个示例代码： ```python from sklearn.metrics import roc_auc_score def calculate_auc(AUC_out, AUC_labels): row, col = AUC_labels.shape temp = \[\] ROC = 0 for i in range(col): try: ROC = roc_auc_score(AUC_out\[:, i\], AUC_labels\[:, i\], average='micro', sample_weight=None) except ValueError: pass temp.append(ROC) for i in range(col): ROC += float(temp\[i\]) return ROC / (col + 1) ``` 在这个示例代码中，calculate_auc函数接受网络输出AUC_out和监督标签AUC_labels作为输入，并返回计算得到的AUC值。 无论使用哪种方法，都需要确保已经安装了sklearn库。可以使用pip install sklearn命令来安装sklearn库。 #### 引用[.reference_title] - *1* [Python编程：实现AUC计算（含完整代码）](https://blog.csdn.net/ai52learn/article/details/130304627)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [python计算AUC值](https://blog.csdn.net/weixin_45653050/article/details/116768291)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [【机器学习】AUC计算（Python实现）](https://blog.csdn.net/weixin_31866177/article/details/109157494)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值