torcheval.metrics.BinaryAUROC

class torcheval.metrics.BinaryAUROC(*, num_tasks: int = 1, device: device | None = None, use_fbgemm: bool | None = False)

计算二分类的 AUROC，它是 ROC 曲线下的面积。AUROC 定义为接收者操作特征曲线下的面积，该曲线是一个 x=假阳性率，y=真阳性率 的图。曲线上的点是从给定数据中采样得到的，面积使用梯形法计算。

Binary AUROC 支持多个任务。可以为预测值（输入）和目标提供一个二维向量。这与为每一行使用一个 BinaryAUROC 对象得到的结果相同。

它的函数版本是 torcheval.metrics.functional.binary_auroc().

示例

>>> import torch
>>> from torcheval.metrics import BinaryAUROC
>>> metric = BinaryAUROC()
>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([1, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.compute()
tensor([0.6667])
>>> input = torch.tensor([1, 1, 1, 0])
>>> target = torch.tensor([1, 1, 1, 0])
>>> metric.update(input, target)
>>> metric.compute()
tensor([1.0])
>>> metric = BinaryAUROC(num_tasks=2)
>>> 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]])
>>> metric.update(input, target)
>>> metric.compute()
tensor([0.7500, 0.6667])

__init__(*, num_tasks: int = 1, device: device | None = None, use_fbgemm: bool | None = False) → None

初始化指标对象及其内部状态。

使用 self._add_state() 初始化指标类的状态变量。状态变量应为 torch.Tensor、torch.Tensor 的列表、以 torch.Tensor 作为值的字典或 torch.Tensor 的双端队列。

方法

__init__(*[, num_tasks, device, use_fbgemm])	初始化指标对象及其内部状态。
计算()	返回 AUROC。
load_state_dict(state_dict[, strict])	从 state_dict 加载指标状态变量。
merge_state(metrics)	实现此方法以更新当前指标的状态变量，使其成为当前指标和输入指标的合并状态。
重置()	将指标状态变量重置为其默认值。
状态字典()	将指标状态变量保存在 state_dict 中。
to(device, *args, **kwargs)	将指标状态变量中的张量移动到设备。
update(input, target[, weight])	使用地面实况标签和预测更新状态。

属性

设备	Metric.to() 的最后一个输入设备。