torcheval.metrics.functional.binary_binned_auroc¶

torcheval.metrics.functional.binary_binned_auroc(input: Tensor, target: Tensor, *, num_tasks: int = 1, threshold: int | List[float] | Tensor = 200) → Tuple[Tensor, Tensor]¶

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

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binary_binned_auroc计算的任务数量。默认值为1。每个任务的binary_binned_auroc将独立计算。
threshold – 一个整数，表示分箱的数量，一个阈值列表，或一个阈值张量。

示例：

>>> import torch
>>> from torcheval.metrics.functional import binary_binned_auroc
>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([1, 0, 1, 1])
>>> binary_binned_auroc(input, target, threshold=5)
(tensor(0.5)
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))

>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([1, 0, 1, 1])
>>> threshold = tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
>>> binary_binned_auroc(input, target, threshold=threshold)
(tensor(0.5)
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))

>>> 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, threshold=5)
(tensor([0.7500, 0.5000],
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))