我正在尝试在模型的训练时间期间记录AUC。
根据documentation ,tf.metric.auc
需要一个label
和predictions
,两者的形状相同。
但就我的二元分类而言,label
是一个一维张量,仅包含类。 预测
是二维,包含每个数据点的每个类别的概率。
在这种情况下如何计算AUC?
最佳答案
我们看一下函数tf.metrics.auc
中的参数:
labels
: A Tensor whose shape matches predictions. Will be cast tobool
.predictions
: A floating point Tensor of arbitrary shape and whose values are in the range[0, 1]
.
此操作已假设二元分类。也就是说,labels
中的每个元素都说明单个样本的类是“正”还是“负”。它不是 1-hot 向量,后者需要一个具有与独占类数量一样多的元素的向量。
同样,predictions
表示具有一定确定性的预测二元类(有些人可能称之为概率),并且每个元素也应该引用一个样本。它不是 softmax 向量。
如果概率来自具有 2 个神经元的全连接层和网络头部的 softmax 激活的神经网络,请考虑将其替换为单个神经元和 sigmoid 激活。现在可以将输出直接输入到 tf.metrics.auc
。
否则,您可以只对预测张量进行切片以仅考虑正类,这将同样表示二元类:
auc_value, auc_op = tf.metrics.auc(labels, predictions[:, 1])
关于python - Tensorflow 1.4 tf.metrics.auc 用于AUC计算,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48174323/