torcheval.metrics.MulticlassBinnedAUROC

class torcheval.metrics.MulticlassBinnedAUROC(*, num_classes: int, threshold: int | List[float] | Tensor = 200, average: str | None = 'macro', device: device | None = None)

计算AUROC，即ROC曲线下的面积，用于多类分类。 其功能版本是torcheval.metrics.functional.multiclass_binned_auroc()。

Parameters:

• num_classes (int) – 类别数量。

• average (str, optional) –

  • 'macro' [默认]:

    分别计算每个类别的指标，并返回它们的未加权平均值。

  • None:

    分别计算每个类别的指标，并返回每个类别的指标。

示例：

>>> import torch
>>> from torcheval.metrics import MulticlassBinnedAUROC
>>> metric = MulticlassBinnedAUROC(num_classes=4, threshold=5)
>>> input = torch.tensor([[0.1, 0.1, 0.1, 0.1], [0.5, 0.5, 0.5, 0.5], [0.7, 0.7, 0.7, 0.7], [0.8, 0.8, 0.8, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5000)

>>> metric = MulticlassBinnedAUROC(num_classes=4, threshold=5, average=None)
>>> metric.update(input, target)
>>> metric.compute()
tensor([0.5000, 0.5000, 0.5000, 0.5000])

__init__(*, num_classes: int, threshold: int | List[float] | Tensor = 200, average: str | None = 'macro', device: device | None = None) → None

初始化一个度量对象及其内部状态。

使用 self._add_state() 来初始化你的度量类的状态变量。 状态变量应该是 torch.Tensor，一个 torch.Tensor 的列表，一个以 torch.Tensor 为值的字典， 或者一个 torch.Tensor 的双端队列。

方法

__init__(*, num_classes[, threshold, ...])	初始化一个度量对象及其内部状态。
compute()	实现此方法以从状态变量计算并返回最终指标值。
load_state_dict(state_dict[, strict])	从state_dict加载度量状态变量。
merge_state(metrics)	实现此方法以将当前度量的状态变量更新为当前度量和输入度量的合并状态。
reset()	将度量状态变量重置为其默认值。
state_dict()	将度量状态变量保存在state_dict中。
to(device, *args, **kwargs)	将度量状态变量中的张量移动到设备。
update(input, target)	使用真实标签和预测更新状态。

属性

device

Metric.to()的最后一个输入设备。