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：
AscendGPUCPU
样例：
>>> import numpy as np >>> from mindspore import Tensor >>> from mindspore.train import ROC >>> >>> # 1) binary classification example >>> x = Tensor(np.array([0.28, 0.55, 0.15, 0.05])) >>> 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. 0.33333333 0.66666667 0.66666667 1. ] >>> print(tpr) [0. 0. 0. 1. 1.] >>> print(thresholds) [1.55 0.55 0.28 0.15 0.05] >>> >>> # 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])]
- eval()[源代码]
计算ROC曲线。
- 返回：
tuple，由 fpr、tpr 和 thresholds 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。