我正在尝试使用 sklearn 的 roc_auc_score() 函数计算多类问题的 AUC 分数。
我有形状为 [n_samples,n_classes] 的预测矩阵和形状为 [n_samples] 的地面实况向量，分别命名为 np_pred 和 np_label。
我想要实现的是一组 AUC 分数，我所拥有的每个类(class)都有一个分数。
为此，我想使用average参数选项None并将multi_class参数设置为“ovr”，但如果我运行
roc_auc_score(y_score=np_pred, y_true=np_label, multi_class="ovr",average=None)
我回来了
ValueError: average must be one of ('macro', 'weighted') for multiclass problems
在 multiclass 的情况下，sklearn 函数预计会出现此错误；但如果你看一下roc_auc_score函数源代码，你会发现如果multi_class参数设置为“ovr”，并且平均值是可接受的平均值之一，multiClass 情况被视为 multiLabel one，内部 multiLabel 函数 accepts None 作为 average 参数。
因此，通过查看代码，我似乎应该能够在 One vs Rest 情况下以 None 平均值执行多类，但是 源代码中的if不允许这样的组合。
我错了吗？
如果我错了，从理论的角度来看，我应该伪造一个多标签案例，以便为不同的类别提供不同的 AUC，还是应该编写自己的函数来循环不同的类别并输出 AUC？
谢谢
最佳答案
根据sklearn documentation ，multi_class 的默认参数是 'raised'，在文档中提到，默认参数会抛出异常，因此您必须明确提及 ovr 或 ovo multi_class='ovr'。
请参阅随附的屏幕截图
关于python - sklearn roc_auc_score 与 multi_class= ="ovr"应该没有可用的平均值，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59666138/