基於sklearn.metrics.roc_auc_score的幾種多分類AUC計算方式

 

以A、B、C三類爲例，步驟如下：

1、        測試集共m個樣本，分別計算每個樣本與對比集的cos距離（對比集由A、B、C三類構成），根據結果構建概率矩陣P[m*3]，再基於one-hot構建標籤矩陣L[m*3]；

2、        P的每一列即各樣本屬於該列對應類別的概率，則可以計算每個類別的ROC曲線和auc值；

3、        計算整體ROC曲線和auc值

（1）   方法一：macro，對n條ROC曲線取平均，即可得到最終的ROC曲線

分析：該方法不考慮類別不均衡的影響；

（2）   方法二：micro，參考下面

 

 

 

計算總的TP rate和FP rate，然後計算ROC曲線和auc值。

(3) 方法三：weighted，通過每個類別的TP數所佔比例進行加權平均；

備註：目前sklearn.metrics.roc_auc_score(僅支持macro 和 weighted)