torcheval.metrics.functional.multiclass_auprc

torcheval.metrics.functional.multiclass_auprc(input: Tensor, target: Tensor, num_classes: int | None = None, *, average: str | None = 'macro') → Tensor

计算 AUPRC，也称为平均精确率，它是多类分类中精确率-召回率曲线下的面积。其类版本为 torcheval.metrics.MulticlassAUPRC。

精确率定义为 \(\frac{T_p}{T_p+F_p}\)，它是模型做出正预测为真阳性的概率。召回率定义为 \(\frac{T_p}{T_p+F_n}\)，它是真阳性被模型预测为正的概率。

精确率-召回率曲线在 x 轴上绘制召回率，在 y 轴上绘制精确率，两者都介于 0 和 1 之间。此函数返回该图形下的面积。如果面积接近 1，则模型支持一个阈值，该阈值可以正确识别出高百分比的真阳性，同时拒绝足够的假示例，以便大多数真实预测都是真阳性。

在 AUPRC 的多类版本中，目标张量是一维的，包含一个整数条目，表示输入张量中每个示例的类别。每个类别在一对多方式中独立考虑，该类别的示例被标记为条件为真，所有其他类别被视为条件为假。

如果没有平均值，N 类多类 AUPRC 的结果等效于具有 N 个任务的二元 AUPRC，如果

1. 输入被转置，在二元分类中，示例与列相关联，而在多类分类中，示例与行相关联。

2. 将 target 从 [1,0,1] 的形式转换为 [[0,1,0], [1,0,1]] 的形式

参数：

• input (Tensor) – 标签预测的二维张量，应为概率或 logits，形状为 (n_sample, n_class)。

• target (Tensor) – 形状为 (n_samples,) 的真实标签的一维张量。

• num_classes (int) – 类别数。

• average (str, 可选) –

  • '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 或 '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.functional import multiclass_auprc
>>> input = tensor([[0.5647, 0.2726],
                    [0.9143, 0.1895],
                    [0.7782, 0.3082]])
>>> target = tensor([0, 1, 0])
>>> multiclass_auprc(input, target, average=None)
tensor([0.5833, 0.3333])
>>> multiclass_auprc(input, target)
tensor(0.4583)

>>> input = torch.tensor([[0.1, 1],
                          [0.5, 1],
                          [0.7, 1],
                          [0.8, 0]])
>>> target = torch.tensor([1, 0, 0, 1])
>>> multiclass_auprc(input, target, 2, average=None)
tensor([0.5833, 0.4167])

与二元的关系 >>> from torcheval.metrics.functional import binary_auprc >>> input = torch.tensor([[0.1, 0.5, 0.7, 0.8], >>> [1, 1, 1, 0]]) >>> target = torch.tensor([[0, 1, 1, 0], >>> [1, 0, 0, 1]]) >>> binary_auprc(input, target, num_tasks=2) tensor([0.5833, 0.4167])