torcheval.metrics.functional.multilabel_auprc¶

torcheval.metrics.functional.multilabel_auprc(input: Tensor, target: Tensor, num_labels: int | None = None, *, average: str | None = 'macro') → Tensor¶

计算AUPRC，也称为平均精度，它是多标签分类中精确率-召回率曲线下的面积。其类版本是torcheval.metrics.MultilabelAUPRC。

精确率定义为 \(\frac{T_p}{T_p+F_p}\)，它是模型预测为正例的样本中真正为正例的概率。召回率定义为 \(\frac{T_p}{T_p+F_n}\)，它是真正为正例的样本被模型预测为正例的概率。

精确率-召回率曲线在x轴上绘制召回率，在y轴上绘制精确率，两者都在0和1之间。此函数返回该曲线下的面积。如果面积接近1，模型支持一个阈值，该阈值能够正确识别高比例的真阳性，同时拒绝足够的假例，使得大多数真实预测都是真阳性。

在多标签版本的AUPRC中，输入和目标张量是二维的。每个张量的行与特定的示例相关联，列与特定的类别相关联。

对于目标张量，如果第r个示例属于第c类，则第r行和第c列（r和c从0开始索引）的条目为1，否则为0。对于输入张量，相同位置的条目是分类模型预测第r个示例是否包含在第c类中的输出。请注意，在多标签设置中，允许多个标签应用于单个样本。这与多类样本形成对比，在多类样本中，可能有超过2个不同的类别，但每个样本必须恰好属于一个类别。

如果不进行平均，N标签多标签auprc的结果等同于具有N个任务的二元auprc，如果：

在二分类标签化示例中，input 被转置，样本与列相关联，而在多标签分类中，样本与行相关联。
出于同样的原因，目标被转置

请参阅以下示例，了解更多关于多标签和二分类AUPRC之间联系的详细信息。

Parameters:

input (Tensor) – 标签预测的张量它应该是形状为 (n_sample, n_label) 的概率或对数几率。
target (Tensor) – 形状为 (n_samples, n_label) 的真实标签张量。
num_labels (int) – 标签数量。
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 或 'none':
  分别计算每个类别的指标，并返回每个类别的指标。

Examples::

>>> import torch
>>> from torcheval.metrics.functional import multilabel_auprc
>>> input = torch.tensor([[0.75, 0.05, 0.35], [0.45, 0.75, 0.05], [0.05, 0.55, 0.75], [0.05, 0.65, 0.05]])
>>> target = torch.tensor([[1, 0, 1], [0, 0, 0], [0, 1, 1], [1, 1, 1]])
>>> multilabel_auprc(input, target, num_labels=3, average=None)
tensor([0.7500, 0.5833, 0.9167])
>>> multilabel_auprc(input, target, average=None)
tensor([0.7500, 0.5833, 0.9167])
>>> multilabel_auprc(input, target, num_labels=3, average='macro')
tensor(0.7500)
>>> multilabel_auprc(input, target, num_labels=3)
tensor(0.7500)
>>> multilabel_auprc(input, target, average='macro')
tensor(0.7500)
>>> multilabel_auprc(input, target)
tensor(0.7500)

连接到BinaryAUPRC >>> input = torch.tensor([[0.1, 0, 0], [0, 1, 0], [0.1, 0.2, 0.7], [0, 0, 1]]) >>> target = torch.tensor([[1, 0, 0], [0, 1, 0], [0, 0, 1], [0, 0, 1]]) >>> multilabel_auprc(input, target) tensor([0.5000, 1.0000, 1.0000])

上述内容等同于 >>> from torcheval.metrics import BinaryAUPRC >>> input = torch.tensor([[0.1, 0, 0.1, 0], [0, 1, 0.2, 0], [0, 0, 0.7, 1]]) >>> target = torch.tensor([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 1]]) >>> binary_auprc(input, target, num_tasks=3) tensor([0.5000, 1.0000, 1.0000])