torcheval.metrics.WindowedBinaryAUROC

class torcheval.metrics.WindowedBinaryAUROC(*, num_tasks: int = 1, max_num_samples: int = 100, device: device | None = None)

BinaryAUROC 的窗口版本。它是根据最后 window_size 个样本的输入和目标计算的。计算 AUROC，即 ROC 曲线下的面积，用于二分类。

示例

>>> import torch
>>> from torcheval.metrics import WindowedBinaryAUROC
>>> metric = WindowedBinaryAUROC(max_num_samples=4)
>>> input = torch.tensor([0.2, 0.5, 0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([0, 1, 1, 0, 1, 1])
>>> metric.update(input, target)
>>> metric.inputs
tensor([0.1, 0.5, 0.7, 0.8])
>>> metric.targets
tensor([1, 0, 1, 1])
>>> metric.compute()
tensor(0.6667)

>>> metric = WindowedBinaryAUROC(max_num_samples=5, num_tasks=2)
>>> metric.update(torch.tensor([[0.2, 0.3], [0.5, 0.1]]), torch.tensor([[1.0, 0.0], [0.0, 1.0]]))
>>> metric.update(torch.tensor([[0.8, 0.3], [0.6, 0.1]]), torch.tensor([[1.0, 1.0], [1.0, 0.0]]))
>>> metric.update(torch.tensor([[0.5, 0.1], [0.3, 0.9]]), torch.tensor([[0.0, 1.0], [0.0, 0.0]]))
>>> metric.inputs
tensor([[0.1000, 0.3000, 0.8000, 0.3000, 0.5000],
[0.9000, 0.1000, 0.6000, 0.1000, 0.3000]])
>>> metric.compute()
tensor([0.4167, 0.5000])

__init__(*, num_tasks: int = 1, max_num_samples: int = 100, device: device | None = None) → None

初始化指标对象及其内部状态。

使用 self._add_state() 初始化指标类状态变量。状态变量应为 torch.Tensor、torch.Tensor 列表、以 torch.Tensor 为值的字典或 torch.Tensor 的 deque。

方法

__init__(*[, num_tasks, max_num_samples, device])	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)	将指标状态与其来自其他指标实例的对应部分合并。
重置()	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到 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])	使用真实标签和预测更新状态。

属性

设备	Metric.to() 的最后一个输入设备。