TensorFlow函數：tf.metrics.auc

tf.metrics.auc函數

tf.metrics.auc(
    labels,
    predictions,
    weights=None,
    num_thresholds=200,
    metrics_collections=None,
    updates_collections=None,
    curve='ROC',
    name=None,
    summation_method='trapezoidal'
)

定義在：tensorflow/python/ops/metrics_impl.py.

通過Riemann求和計算近似AUC.

該auc函數創(chuàng)建四個局部變量true_positives,true_negatives,false_positives和false_negatives,它們被用于計算AUC.為了離散AUC曲線,使用線性間隔的閾值集來計算回調和精確值對.因此,使用回調值的高度通過誤報率計算ROC曲線下的面積,而PR曲線下的面積是通過回調的精度值的高度計算的.

該值最終返回為auc,這是一個冪等運算,它計算精度與召回值的離散曲線下的區(qū)域(使用上述變量計算).num_thresholds變量控制的離散度與較大的閾值更接近真正的AUC.近似的質量可能會有很大的不同,具體取決于num_thresholds.

為獲得最佳結果,predictions應大致均勻地分布在[0,1]范圍內,而不是在0或1附近達到峰值.如果不是這樣的話,AUC近似的質量可能會很差.設置summation_method為“minoring”或“majoring”可以通過提供AUC的下限或上限估計來幫助量化近似值中的誤差.

為了估計數據流上的度量,該函數創(chuàng)建一個update_op操作來更新這些變量并返回auc.

如果weights是None,則權重默認為1.使用權重0來屏蔽值.

參數：

• labels：與predictions的形狀匹配的Tensor,將被轉換為bool.
• predictions：任意形狀的浮點Tensor,其值在該范圍[0, 1]內.
• weights：可選的Tensor,其秩為0或與labels具有相同的等級,并且必須可廣播到labels(即,所有維度必須為1,或與相應的labels維度相同).
• num_thresholds：離散roc曲線時要使用的閾值數.
• metrics_collections：應添加auc的可選集合列表.
• updates_collections：應添加update_op的可選集合列表.
• curve：指定要計算的曲線的名稱,的'ROC'[default]或'PR'(Precision-Recall曲線).
• name：可選的variable_scope名稱.
• summation_method：指定使用的Riemann求和方法(https://en.wikipedia.org/wiki/Riemann_sum)：'trapezoidal'[default]應用梯形規(guī)則；'careful_interpolation',它的變體只是PR-AUC-內插(真/假)正的更正確的插值方案而不同于精度的比率；'minoring',適用于增加間隔的左求和和減少間隔的右求和；“majoring”恰恰相反.請注意,'careful_interpolation'嚴格優(yōu)先于'trapezoidal'(即將棄用),因為它對ROC采用相同的方法,并且對PR曲線更好

返回：

• auc：表示當前曲線下面積的標量Tensor.
• update_op：適當增加true_positives,true_negatives,false_positives和false_negatives變量的操作,其值與auc匹配.

可能引發(fā)的異常：

• ValueError：如果predictions和labels有不匹配的形狀,或者weights不是None,它的形狀和predictions不匹配,或者如果metrics_collections或updates_collections的任何一個不是一個列表或元組.
• RuntimeError：如果啟用了急切執(zhí)行.