mindspore.train.ROC

class mindspore.train.ROC(class_num=None, pos_label=None)[源代码]

计算ROC曲线。适用于求解二分类和多分类问题。在多分类的情况下,将基于one-vs-the-rest的方法进行计算。

参数:
  • class_num (int) - 类别数。对于二分类问题,此入参可以不设置。默认值: None

  • pos_label (int) - 正类的类别值。二分类问题中,不设置此入参,即 pos_label 为None时,正类类别值默认为1;用户可以自行设置正类类别值为其他值。多分类问题中,用户不应设置此参数,因为它将在[0, num_classes-1]范围内迭代更改。默认值: None

支持平台:

Ascend GPU CPU

样例:

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import ROC
>>>
>>> # 1) binary classification example
>>> x = Tensor(np.array([3, 1, 4, 2]))
>>> y = Tensor(np.array([0, 1, 2, 3]))
>>> metric = ROC(pos_label=2)
>>> metric.clear()
>>> metric.update(x, y)
>>> fpr, tpr, thresholds = metric.eval()
>>> print(fpr)
[0. 0. 0.33333333 0.6666667 1.]
>>> print(tpr)
[0. 1. 1. 1. 1.]
>>> print(thresholds)
[5 4 3 2 1]
>>>
>>> # 2) multiclass classification example
>>> x = Tensor(np.array([[0.28, 0.55, 0.15, 0.05], [0.10, 0.20, 0.05, 0.05], [0.20, 0.05, 0.15, 0.05],
...                     [0.05, 0.05, 0.05, 0.75]]))
>>> y = Tensor(np.array([0, 1, 2, 3]))
>>> metric = ROC(class_num=4)
>>> metric.clear()
>>> metric.update(x, y)
>>> fpr, tpr, thresholds = metric.eval()
>>> print(fpr)
[array([0., 0., 0.33333333, 0.66666667, 1.]), array([0., 0.33333333, 0.33333333, 1.]),
array([0., 0.33333333, 1.]), array([0., 0., 1.])]
>>> print(tpr)
[array([0., 1., 1., 1., 1.]), array([0., 0., 1., 1.]), array([0., 1., 1.]), array([0., 1., 1.])]
>>> print(thresholds)
[array([1.28, 0.28, 0.2, 0.1, 0.05]), array([1.55, 0.55, 0.2, 0.05]), array([1.15, 0.15, 0.05]),
array([1.75, 0.75, 0.05])]
clear()[源代码]

内部评估结果清零。

eval()[源代码]

计算ROC曲线。

返回:

tuple,由 fprtprthresholds 组成。

  • fpr (np.array) - 假正率。二分类情况下,返回不同阈值下的fpr;多分类情况下,则为fpr(false positive rate)的列表,列表的每个元素代表一个类别。

  • tpr (np.array) - 真正率。二分类情况下,返回不同阈值下的tpr;多分类情况下,则为tpr(true positive rate)的列表,列表的每个元素代表一个类别。

  • thresholds (np.array) - 用于计算假正率和真正率的阈值。

异常:
  • RuntimeError - 如果没有先调用update方法,则会报错。

update(*inputs)[源代码]

使用 y_predy 更新内部评估结果。

参数:
  • inputs - 输入 y_predyy_predy 是Tensor、list或numpy.ndarray。y_pred 一般情况下是范围为 \([0, 1]\) 的浮点数列表,shape为 \((N, C)\),其中 \(N\) 是用例数,\(C\) 是类别数。y 为整数值,如果为one-hot格式,shape为 \((N, C)\),如果是类别索引,shape为 \((N,)\)