【Pytorch-从一团乱麻到入门】：5、模型效果评估指标：ROC-AUC、PR-AUC及可能遇到的问题(2)

AUC的计算属实隐藏着无数的坑，一旦遇到就得吭哧吭哧排查很久，在次进行记录，给走过路过的小伙伴们提个醒。

1、Bug如下：

如果遇到ROC-AUC数值出现多个0.5，那么极有可能是数据本身的问题，例如：当预测类别只有一类时，计算ROC-AUC会得到0.5 ！

代码如下：

import numpy as np
from sklearn import metrics
from sklearn.metrics import precision_recall_curve,auc,accuracy_score


ture_lab=[1,1,1,1,1,0,0,0,0]
pre_lab=[0,0,0,0,0,0,0,0,0]

print("ture_lab 为0：",ture_lab.count(0))
print("pre_lab 为1：",pre_lab.count(1))
print("pre_lab 为0：",pre_lab.count(0))

from sklearn.metrics import precision_recall_curve,auc,roc_auc_score
precision, recall, thresholds = precision_recall_curve(ture_lab,pre_lab)
auc_precision_recall = auc(recall, precision)

roc_auc=roc_auc_score(ture_lab, pre_lab)

stat="precision:"+str(precision)+"nrecall:"+str(recall)+"nthresholds:"+str(thresholds)+"nauc_precision_recall:"+str(auc_precision_recall)+"nROC-AUC:"+str(roc_auc)
print(stat)

输出为：

ture_lab 为0： 4
pre_lab 为1： 0
pre_lab 为0： 9
precision:[0.55555556 1.        ]
recall:[1. 0.]
thresholds:[0]
auc_precision_recall:0.7777777777777778
ROC-AUC:0.5

 必然，这个ROC-AUC值是不对的，需要警惕！

2、解决方法：

避免数据不平衡情况，或者在代码中加入判断行，进行极端条件警示和定义即可。

最后

以上就是无心人生为你收集整理的【Pytorch-从一团乱麻到入门】：5、模型效果评估指标：ROC-AUC、PR-AUC及可能遇到的问题(2)的全部内容，希望文章能够帮你解决【Pytorch-从一团乱麻到入门】：5、模型效果评估指标：ROC-AUC、PR-AUC及可能遇到的问题(2)所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。