torcheval.metrics.functional.binary_binned_auroc

torcheval.metrics.functional.binary_binned_auroc(input: Tensor, target: Tensor, *, num_tasks: int = 1, threshold: int | List[float] | Tensor = 200) → Tuple[Tensor, Tensor]

计算二分类的 AUROC，即 ROC 曲线下的面积。其类版本为 torcheval.metrics.BinaryBinnedAUROC。

参数：

• input (Tensor) – 标签预测的张量。它应该是预测标签、概率或 logits，形状为 (num_tasks, n_sample) 或 (n_sample, )。

• target (Tensor) – 真实标签的张量，形状为 (num_tasks, n_sample) 或 (n_sample, )。

• num_tasks (int) – 需要进行 binary_binned_auroc 计算的任务数量。默认值为 1。每个任务的 binary_binned_auroc 将独立计算。

• threshold – 一个表示 bin 数量的整数、一个阈值列表或一个阈值张量。

示例

>>> import torch
>>> from torcheval.metrics.functional import binary_binned_auroc
>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([1, 0, 1, 1])
>>> binary_binned_auroc(input, target, threshold=5)
(tensor(0.5)
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))

>>> input = torch.tensor([0.1, 0.5, 0.7, 0.8])
>>> target = torch.tensor([1, 0, 1, 1])
>>> threshold = tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000])
>>> binary_binned_auroc(input, target, threshold=threshold)
(tensor(0.5)
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))

>>> 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]])
>>> binary_auroc(input, target, num_tasks=2, threshold=5)
(tensor([0.7500, 0.5000],
tensor([0.0000, 0.2500, 0.5000, 0.7500, 1.0000]))