torcheval.metrics.functional.multilabel_auprc¶
- torcheval.metrics.functional.multilabel_auprc(input: Tensor, target: Tensor, num_labels: int | None = None, *, average: str | None = 'macro') Tensor¶
计算多标签分类的 AUPRC，也称为平均精确率，它是精确率-召回率曲线下的面积。其类版本为
torcheval.metrics.MultilabelAUPRC。精确率定义为 \(\frac{T_p}{T_p+F_p}\)，它是模型预测为正例的样本中真正例的概率。召回率定义为 \(\frac{T_p}{T_p+F_n}\)，它是真正例被模型预测为正例的概率。
精确率-召回率曲线将召回率绘制在 x 轴上，将精确率绘制在 y 轴上，两者都介于 0 和 1 之间。此函数返回该图下的面积。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大部分真正例，同时拒绝足够的假例，以便大多数真实预测都是真正例。
在 AUPRC 的多标签版本中，输入和目标张量是二维的。每个张量的行与特定示例相关联，列与特定类别相关联。
对于目标张量，第 r 行第 c 列的条目（r 和 c 为 0 索引）如果第 r 个示例属于第 c 个类别，则为 1，否则为 0。对于输入张量，相同位置的条目是分类模型预测第 r 个示例是否包含在第 c 个类别的输出。请注意，在多标签设置中，多个标签可以应用于单个样本。这与多类别样本形成对比，在多类别样本中，可能存在两个以上的不同类别，但每个样本必须恰好有一个类别。
如果满足以下条件，则 N 个标签的多标签 auprc 的结果（无平均）等效于具有 N 个任务的二元 auprc：
input 进行转置，在二元标签化中，示例与列相关联，而在多标签分类中，示例与行相关联。
target 出于相同原因进行转置。
有关多标签和二元 AUPRC 之间关系的更多详细信息，请参见下面的示例。
- 参数：
input (Tensor) – 标签预测的张量，应为概率或 logits，形状为 (n_sample, n_label)。
target (Tensor) – 真实标签的张量，形状为 (n_samples, n_label)。
num_labels (int) – 标签数量。
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 multilabel_auprc >>> input = torch.tensor([[0.75, 0.05, 0.35], [0.45, 0.75, 0.05], [0.05, 0.55, 0.75], [0.05, 0.65, 0.05]]) >>> target = torch.tensor([[1, 0, 1], [0, 0, 0], [0, 1, 1], [1, 1, 1]]) >>> multilabel_auprc(input, target, num_labels=3, average=None) tensor([0.7500, 0.5833, 0.9167]) >>> multilabel_auprc(input, target, average=None) tensor([0.7500, 0.5833, 0.9167]) >>> multilabel_auprc(input, target, num_labels=3, average='macro') tensor(0.7500) >>> multilabel_auprc(input, target, num_labels=3) tensor(0.7500) >>> multilabel_auprc(input, target, average='macro') tensor(0.7500) >>> multilabel_auprc(input, target) tensor(0.7500)
与 BinaryAUPRC 的连接 >>> input = torch.tensor([[0.1, 0, 0], [0, 1, 0], [0.1, 0.2, 0.7], [0, 0, 1]]) >>> target = torch.tensor([[1, 0, 0], [0, 1, 0], [0, 0, 1], [0, 0, 1]]) >>> multilabel_auprc(input, target) tensor([0.5000, 1.0000, 1.0000])
以上等效于 >>> from torcheval.metrics import BinaryAUPRC >>> input = torch.tensor([[0.1, 0, 0.1, 0], [0, 1, 0.2, 0], [0, 0, 0.7, 1]]) >>> target = torch.tensor([[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 1]]) >>> binary_auprc(input, target, num_tasks=3) tensor([0.5000, 1.0000, 1.0000])
