torcheval.metrics.functional.binary_auroc¶

torcheval.metrics.functional.binary_auroc(input: Tensor, target: Tensor, *, num_tasks: int = 1, weight: Tensor | None = None, use_fbgemm: bool | None = False) → Tensor¶

计算AUROC，即ROC曲线下的面积，用于二分类。其类版本为torcheval.metrics.BinaryAUROC。

Parameters:

input (Tensor) – 标签预测的张量它应该是预测的标签、概率或logits，形状为(num_tasks, n_sample)或(n_sample, )。
target (Tensor) – 形状为 (num_tasks, n_sample) 或 (n_sample, ) 的真实标签张量。
num_tasks (int) – 需要进行BinaryAUROC计算的任务数量。默认值为1。每个任务的BinaryAUROC将独立计算。
weight (Tensor) – 可选项。用于手动调整权重的缩放，以匹配输入张量的形状 (num_tasks, num_samples) 或 (n_sample, )。
use_fbgemm (bool) – 可选。如果设置为True，使用fbgemm_gpu.metrics.auc（一个手动融合的内核）。FBGEMM AUC是AUC的近似值。它不会在输入值冗余的情况下屏蔽数据。对于高度冗余的输入情况，FBGEMM AUC可能会给出显著不同的结果。

示例：

>>> import torch
>>> from torcheval.metrics.functional import binary_auroc
>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([1, 0, 1, 1])
>>> binary_auroc(input, target)
tensor(0.6667)

>>> input = torch.tensor([1, 1, 1, 0])
>>> target = torch.tensor([1, 0, 1, 0])
>>> binary_auroc(input, target)
tensor(0.7500)

>>> input = torch.tensor([[1, 1, 1, 0], [0.1, 0.5, 0.7, 0.8]])
>>> target = torch.tensor([[1, 0, 1, 0], [1, 0, 1, 1]])
>>> binary_auroc(input, target, num_tasks=2)
tensor([0.7500, 0.6667])