多分类预估和auc评估

最新推荐文章于 2025-09-27 03:04:42 发布
原创 最新推荐文章于 2025-09-27 03:04:42 发布 · 8.3k 阅读 · 25 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #深度学习 #tensorflow

本文对比了二分类与多分类任务的区别，从标签形式、损失函数、预估输出及评估方式等方面进行了详细说明，并提供了代码实例。对于多分类任务，还介绍了三种不同的评估方法。

经典CTR预估场景，主要对是否曝光/点击（0/1）进行二分类。最近遇到多分类（类别之间互斥）问题，踩了一些坑，总结和整理下，希望能够加深对多分类理解和思考。

区别

  二分类 多分类
标签 0/1 c类，如c=10:[0,1,0,0,0,0,0,0,0,0]
损失函数 交叉熵 多分类交叉熵
预估输出 (0,1)值 c维向量，如c=10:[0.1,0.1,0.2,0.2,0.1,0.1,0.1,0.2,0.2,0.1]
auc评估 随机选取正样本和负样本，正样本预估概率>负样本概率

c类中每个单类auc；

macro:c类每个类别的F1均值（各类别F1的权重相同）；

micro:计算总体的TP，FN和FP的数量，再计算F1； 

标签

标签为（0/1）int，而多分类为c的one-hot向量，如下：

binary label:0/1

mult label:[0,1,0,0,0,0,0,0,0,0]

损失函数

 二分类Cross Entropy

最低0.47元/天 解锁文章
​多分类下的ROC曲线和AUC​
jacke121的专栏
10-19 3501
本文主要介绍一下多分类下的ROC曲线绘制和AUC计算，并以鸢尾花数据为例，简单用python进行一下说明。如果对ROC和AUC二分类下的概念不是很了解，可以先参考下这篇文章：机器学习之分类器性能指标之ROC曲线、AUC值_MinerYCC-优快云博客 由于ROC曲线是针对二分类的情况，对于多分类问题，ROC曲线的获取主要有两种方法： 假设测试样本个数为m，类别个数为n（假设类别标签分别为：0，2，...，n-1）。在训练完成后，计算出每个测试样本的在各类别下的概率...
sklearn多分类求AUC，多分类report
yimenren的博客
03-22 6816
一般调用sklearn的roc_auc_score方法， roc_auc_score(y_true, y_score, *, average="macro", sample_weight=None, max_fpr=None, multi_class="raise", labels=None): 但是该方法在多分类计算时，有两个要求： 1.y_score的维度需要和标签种类数一致。而在二分类问题中，可以直接取y_score的第二维，如果多分类也这样会报错。Axis
3行代码实现图像分类模型AUC值评估：pytorch-image-models实战指南
最新发布
gitblog_01179的博客
09-27 411
你是否还在为多类别图像分类模型的评估指标发愁？当测试集存在类别不平衡时，Accuracy（准确率）往往会误导模型性能判断。本文将带你使用pytorch-image-models库，仅需3行核心代码即可实现AUC值（Area Under Curve，曲线下面积）计算，解决类别不平衡场景下的模型评估难题。读完本文你将掌握： - AUC值在图像分类中的实用价值 - 基于validate.py脚本的评估流...
多分类任务评估指标的简单介绍
2401_83171592的博客
05-21 1124
以下是对多分类任务中核心指标的详细说明，包括其作用、计算方法、适用场景及对比分析。综合评估分类器在精确率（Precision）和召回率（Recall）之间的平衡性能，适用于多类别分类任务。F1 分数：其中：Precision（精确率）：正确预测的正类占所有预测为正类的比例。Recall（召回率）：正确预测的正类占所有真实正类的比例。多分类扩展：Macro-F1：对每个类别的F1取算术平均。Micro-F1：汇总所有类别的TP、FP、FN后计算全局F1。Weighted-F1：按每个类别的样本数量加权平均F1
多分类下的ROC曲线和AUC
蔡军帅
08-07 1万+
本文主要介绍一下多分类下的ROC曲线绘制和AUC计算，并以鸢尾花数据为例，简单用python进行一下说明。如果对ROC和AUC二分类下的概念不是很了解，可以先参考下这篇文章：http://blog.youkuaiyun.com/ye1215172385/article/details/79448575 由于ROC曲线是针对二分类的情况，对于多分类问题，ROC曲线的获取主要有两...
多分类-- ROC曲线和AUC值
haoji007的博客
09-10 2657
方法2：首先，对于一个测试样本：1）标签只由0和1组成，1的位置表明了它的类别（可对应二分类问题中的‘’正’’），0就表示其他类别（‘’负‘’）；在训练完成后，计算出每个测试样本的在各类别下的概率或置信度，得到一个[m， n]形状的矩阵P，每一行表示一个测试样本在各类别下概率值（按类别标签排序）。相应地，将每个测试样本的标签转换为类似二进制的形式，每个位置用来标记是否属于对应的类别（也按标签排序，这样才和前面对应），由此也可以获得一个[m， n]的标签矩阵L。print '超参数：', model.C_
分类模型评估之ROC-AUC曲线和PRC曲线
热门推荐
皮皮blog
06-30 10万+
http://blog.youkuaiyun.com/pipisorry/article/details/51788927 ROC曲线和AUC ROC（Receiver Operating Characteristic，接受者工作特征曲线）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。博文介绍ROC和AUC的特点，讨论如何作出ROC曲线图以及计算AUC。 AUC是现...
【推荐系统的评估】离线评估指标AUC
m0_53259482的博客
05-04 1623
ROC曲线的横坐标为False Positive Rate（FPR，假阳性率），所有负样本中被错判为正的样本数所占的比例，显然，我们不希望该指标太高。纵坐标为True Positive Rate（TPR，真阳性率），所有正样本中真正为正样本的样本所占比例，当然，我们希望真阳率越高越好。​​​​​​​。
auc评估原理
04-03
好的，用户想了解AUC评估指标的工作原理及计算方法。我需要先回忆一下相关的知识，并参考提供的引用资料来组织回答。 首先，AUC是ROC曲线下的面积，用于衡量二分类模型的性能。根据引用[2]，AUC是ROC曲线下的面积，...
PyTorch Demo-2 : 分类模型评估
整天都在摸鱼鱼
02-15 7057
1. 预训练模型加载和预测 1.1 加载预训练参数 根据训练函数中保存的训练参数，使用 torch.load() 进行读取，再加载 model.load_state_dict() 。 def load_pretrained_model(model, path): """ Load the pretrained model :param model: the defined ...
多分类ROC曲线及AUC计算
u010505915的博客
06-04 4万+
上一篇博客（https://blog.youkuaiyun.com/u010505915/article/details/106394765）介绍了二分类下的ROC曲线及AUC计算，本文主要介绍多分类下的ROC曲线及AUC计算。 对于多分类数据，假设测试样本个数为m，分类个数为n（分类label分别为：1，2，...，n），可以将这些样本及对应的label表示为矩阵形式，每行一个样本，每列为该样本是否属于该分类，从而形成一个[m, n]的标签矩阵： ID 分类1 分类2 分类3 A 1
关于多分类的auc求值
scene_2015的博客
12-13 4396
关于多分类的auc求值 思路： 得到score矩阵和target矩阵 将每个矩阵按行拼接为一维 使用sklearn相关方法计算metrics.roc_auc_score(y_one_hot, y_score, average='micro') # or 'macro' 参考: 多分类下的ROC曲线和AUC. ...
【机器学习 | 分类指标大全】全面解析分类评估指标：从准确率到AUC，多分类问题也不在话下， 确定不来看看？
计算机魔术师的blog
08-21 2698
您是否正在努力评估和优化您的分类模型的性能？您是否想要了解更多关于分类模型评估指标的知识？现在，本文为您提供了一个全面的多分类指标解析，帮助您更好地理解和评估您的模型性能。
机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率
leadai的博客
11-20 2899
北京 | 高性能计算之GPU CUDA课程11月24-26日3天密集学习 快速带你晋级阅读全文> 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)（https://en.wikipedia.org/
roc auc 多分类_roc auc分类任务简介
weixin_26713457的博客
09-03 1452
roc auc 多分类In machine learning, one essential learning objective is to classify data into groups. Although classification can include unsupervised learning (e.g., clustering), in most cases, our tasks...
多分类下的评价指标：准确率，精确率，召回率，F1，ROC，AUC
Spanish_pie的博客
11-01 4698
在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。当False Positive (FP)的成本代价很高 (后果很严重)时，即期望尽量避免产生FP时，应该着重考虑提高Precision指标。ROC 曲线越陡越好，所以理想值就是 1，一个正方形，而最差的随机判断都有 0.5，所以一般 AUC 的值是介于 0.5 到 1 之间的。为了更好的表征学习器在精确率和召回率的性能度量，引入 F1 值。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值