我正在尝试在模型的培训时间期间记录 AUC 。
根据documentation，tf.metric.auc需要label和predictions，两者的形状相同。
但在我的二进制分类中，label是一个一维张量，只包含类。 prediction是二维，包含每个数据点的每个类的概率。
在这种情况下如何计算 AUC ？
答案 0 :(得分：1)
让我们看一下函数tf.metrics.auc中的参数：
labels：一种形状与预测相匹配的张量。将被投射到bool。predictions：任意形状的浮点张量，其值在[0, 1]范围内。
此操作已采用二进制分类。也就是说，labels中的每个元素都表明该类是否为“正”＆＃34;或者＆＃34;否定＆＃34;对于单个样本。它不是1-hot矢量，它需要一个元素与独占类数一样多的元素。
同样地，predictions表示具有某种程度的确定性的预测二元类（有些人可能称之为概率），并且每个元素也应该引用一个样本。它不是softmax矢量。
如果概率来自具有2个神经元的完全连接层和网络头部的softmax激活的神经网络，则考虑用单个神经元和S形激活替换它。输出现在可以直接输入tf.metrics.auc。
否则，您可以将预测张量切片为仅考虑正类，这将代表二进制类：
auc_value, auc_op = tf.metrics.auc(labels, predictions[:, 1])