torcheval.metrics.MulticlassBinnedAUROC

class torcheval.metrics.MulticlassBinnedAUROC(*, num_classes: int, threshold: int | List[float] | Tensor = 200, average: str | None = 'macro', device: device | None = None)

计算 AUROC，它是 ROC 曲线下的面积，用于多类分类。其函数式版本为 torcheval.metrics.functional.multiclass_binned_auroc()。

参数：

• num_classes (int) – 类别数量。

• 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:

    分别计算每个类别的指标，并返回每个类别的指标。

示例

>>> import torch
>>> from torcheval.metrics import MulticlassBinnedAUROC
>>> metric = MulticlassBinnedAUROC(num_classes=4, threshold=5)
>>> input = torch.tensor([[0.1, 0.1, 0.1, 0.1], [0.5, 0.5, 0.5, 0.5], [0.7, 0.7, 0.7, 0.7], [0.8, 0.8, 0.8, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> metric.update(input, target)
>>> metric.compute()
tensor(0.5000)

>>> metric = MulticlassBinnedAUROC(num_classes=4, threshold=5, average=None)
>>> metric.update(input, target)
>>> metric.compute()
tensor([0.5000, 0.5000, 0.5000, 0.5000])

__init__(*, num_classes: int, threshold: int | List[float] | Tensor = 200, average: str | None = 'macro', device: device | None = None) → 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。状态变量应该是 torch.Tensor、torch.Tensor 列表、包含 torch.Tensor 作为值的字典，或 torch.Tensor 的 deque。

方法

__init__(*, num_classes[, threshold, ...])	初始化指标对象及其内部状态。
compute()	实现此方法以从状态变量中计算并返回最终的指标值。
load_state_dict(state_dict[, strict])	从 state_dict 中加载指标状态变量。
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。
reset()	将指标状态变量重置为其默认值。
state_dict()	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)	使用真实标签和预测更新状态。

属性

device

Metric.to() 的最后一个输入设备。