Python Tensorflow 1.4 tf.metrics.auc用于auc计算

我试图在我的模型的训练时间记录AUC

根据标准，

tf.metric.auc

需要一个

标签

和

预测

，两者形状相同

但在我的二进制分类中，

标签

是一个一维张量，只包含类。而

预测

是二维的包含每个数据点的每类概率

---

在这种情况下，如何计算AUC

让我们看看函数中的参数：

• 标签

  ：形状与预测匹配的张量。将被强制转换为

  bool

• 预测

  ：任意形状的浮点张量，其值在范围

  [0，1]

  内

此操作已采用二进制分类。也就是说，

标签

中的每个元素都说明了单个样本的类别是“正”还是“负”。它不是一个1-hot向量，它需要一个元素数与排他类数相同的向量

类似地，

predictions

以某种程度的确定性（有些人可能称之为概率）表示预测的二进制类，每个元素也应该引用一个样本。它不是softmax向量

如果概率来自一个神经网络，它有2个神经元的完全连接层，在网络的头部有一个SOFTMax激活，考虑用一个神经元和乙状结肠激活来代替它。现在可以将输出直接输入到

tf.metrics.auc

否则，可以只对预测张量进行切片，只考虑正类，这将表示二进制类是相同的：

auc_value, auc_op = tf.metrics.auc(labels, predictions[:, 1])

---

你没有试过用

tf.argmax

从概率中获取实际预测吗？据我所知，要计算AUC，你需要知道所有类的概率，而不仅仅是最大概率的类。正确的？在二元分类器中，你可以计算其他类的概率，但不能计算多类的概率。您可能希望获取“正”类的概率：

prob[：，1]

因此，我没有只传递

标签，而是将其转换为
tf.one\u hot
，从而将其维度更改为[batch*n\u classes]。现在概率也是[batch*n_类]。AUC给出了一些值，但不确定它是否正确：/听起来不对。您是否尝试过转换二维概率张量？您是否建议始终传递
Class==1
的概率，而不考虑标签？@random_28当我们处理二进制分类时，
p（Class=0）
的概率无论如何都应该是
1-p（Class=1）
。这里不需要类为负的概率。我理解，但是没有提到在哪里通过
p（class=1）
：我们怎样才能确认呢？因为如果我们将
p（Class=label[i]）
传递给
i
th数据点，这也会起作用。那是因为接口已经假设预测是一个二进制分类。ROC曲线是通过对这些值应用多个阈值来构建混淆矩阵来计算的。除非您处理的是多类分类，否则采用
p（class=1）
就可以了。还请注意，您可以使用构建整个ROC曲线，并亲自查看结果。