Python 如何计算三级ROC_AUC分数

我有一个数据有3个类标签（0,1,2）。我试着做ROC曲线。并使用pos_label参数实现了这一点

fpr, tpr, thresholds = metrics.roc_curve(Ytest, y_pred_prob, pos_label = 0)

通过将pos_标签更改为0,1,2-我得到了3张图，现在我在计算AUC分数时遇到了问题。 我如何平均3张图，并从中绘制1张图，然后计算Roc_AUC分数。 我犯了这样的错误 指标：roc\U auc\U得分（Ytest，y\U pred\U prob）

ValueError:不支持多类格式

请帮帮我

# store the predicted probabilities for class 0
y_pred_prob = cls.predict_proba(Xtest)[:, 0]
#first argument is true values, second argument is predicted probabilities
fpr, tpr, thresholds = metrics.roc_curve(Ytest, y_pred_prob, pos_label = 0)
plt.plot(fpr, tpr)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.title('ROC curve classifier')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')
plt.grid(True)

---

plt.grid（真） plt.grid（真） 从上面的代码。生成3条roc曲线。由于多类

---

我想通过取平均值或平均值，从3以上得到一个roc曲线。然后，从中得出一个roc_auc分数。

对于多类别，计算每个类别的AUROC通常很有用。例如，下面是我用来分别计算每个类的AUROC的代码的摘录，其中label_的意思是一个字符串列表，描述每个标签是什么，并且各种数组的格式使得每行是不同的示例，每列对应不同的标签：

如果要绘制跨越三个类的平均AUC曲线：此代码包括计算平均AUC的部分，以便可以绘制曲线（如果有三个类，它将绘制三个类的平均AUC）

如果你只想得到三个班级的平均AUC：一旦你分别计算了每个班级的AUC，你就可以平均这三个数字，得到一个整体AUC

---

如果您想了解更多关于AUROC的背景知识，以及如何计算单个类与多个类的AUROC，您可以参阅本文

多类AUC中的亮点：

不能为所有类计算公共AUC。必须分别计算每个类的AUC。正如您必须计算召回率一样，在进行多类别分类时，每个类别的精度是不同的

计算单个类别AUC的最简单方法：

我们选择一个分类器

来自sklearn.linear\u模型导入逻辑回归

LRE = LogisticRegression(solver='lbfgs')

LRE.fit(X_train, y_train)

我正在列一张多班级的名单

d=y\u test.unique（）

class\u name=list（d.flatte（））

class\u名称

现在分别计算每个类的AUC

对于类中的p\u名称：

     `fpr, tpr, thresholds = metrics.roc_curve(y_test,  
                     LRE.predict_proba(X_test)[:,1], pos_label = p) 

      auroc = round(metrics.auc(fpr, tpr),2)
      print('LRE',p,'--AUC--->',auroc)`

---

您可能希望在与此主题更相关的地方提出问题，例如是否希望获得更快的答复。

for label_number in range(len(label_meanings)):
    which_label = label_meanings[label_number] #descriptive string for the label
    true_labels = true_labels_array[:,label_number]
    pred_probs = pred_probs_array[:,label_number]
   #AUROC and AP (sliding across multiple decision thresholds)
    fpr, tpr, thresholds = sklearn.metrics.roc_curve(y_true = true_labels,
                                     y_score = pred_probs,
                                     pos_label = 1)
    auc = sklearn.metrics.auc(fpr, tpr)

LRE = LogisticRegression(solver='lbfgs')

LRE.fit(X_train, y_train)

     `fpr, tpr, thresholds = metrics.roc_curve(y_test,  
                     LRE.predict_proba(X_test)[:,1], pos_label = p) 

      auroc = round(metrics.auc(fpr, tpr),2)
      print('LRE',p,'--AUC--->',auroc)`