如何计算3类的ROC_AUC分数

Question

我有一个包含3个类别标签（0,1,2）的数据。我试图制作ROC曲线。并使用pos_label参数做到了。

fpr, tpr, thresholds = metrics.roc_curve(Ytest, y_pred_prob, pos_label = 0)

通过将pos_label更改为0,1,2-，我得到3张图，现在在计算AUC分数时遇到问题。 如何计算3个图的平均值并从中绘制1个图，然后计算Roc_AUC分数。 我有这个错误     metrics.roc_auc_score（Ytest，y_pred_prob）

ValueError：不支持多类格式

请帮助我。

# store the predicted probabilities for class 0
y_pred_prob = cls.predict_proba(Xtest)[:, 0]
#first argument is true values, second argument is predicted probabilities
fpr, tpr, thresholds = metrics.roc_curve(Ytest, y_pred_prob, pos_label = 0)
plt.plot(fpr, tpr)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.title('ROC curve classifier')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')
plt.grid(True)

---

# store the predicted probabilities for class 1
y_pred_prob = cls.predict_proba(Xtest)[:, 1]
#first argument is true values, second argument is predicted probabilities
fpr, tpr, thresholds = metrics.roc_curve(Ytest, y_pred_prob, pos_label = 0)
plt.plot(fpr, tpr)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.title('ROC curve classifier')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')

plt.grid（True）

# store the predicted probabilities for class 2
y_pred_prob = cls.predict_proba(Xtest)[:, 2]
#first argument is true values, second argument is predicted probabilities
fpr, tpr, thresholds = metrics.roc_curve(Ytest, y_pred_prob, pos_label = 0)
plt.plot(fpr, tpr)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.title('ROC curve classifier')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')

plt.grid（True）

上面的代码中的

。生成3 roc曲线。由于有多个类别。

我希望通过取平均值或均值从3以上得到一条roc曲线。然后，从中获得一个roc_auc得分。

Answer 1

对于多类，计算每个类的AUROC通常很有用。例如，这是我用来分别为每个类计算AUROC的一些代码的摘录，其中label_含义是描述每个标签是什么的字符串列表，并且格式化各个数组，使得每一行都是不同的示例，每一列对应到另一个标签：

project.table INNER JOIN rank1 ON table.id=rank1.id

如果要在三个类别上绘制平均AUC曲线：此代码https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html包括计算平均AUC的部分，以便您可以绘制图表（如果有三个类别，它将绘制平均值这三个类别的AUC。）

如果您只想在三个类别中获得平均AUC：一旦分别计算了每个类别的AUC，就可以对三个数字求平均值，以获得总体AUC。

如果您想了解AUROC的更多背景知识，以及如何针对单班还是多班计算AUROC，请参阅本文Measuring Performance: AUC (AUROC)。

Answer 2

在多类AUC中的亮点：

您不能为所有类别计算一个通用AUC。您必须分别计算每个类别的AUC。正如您必须计算召回率一样，在进行多类别分类时，每个类别的精度是不同的。

计算单个类的AUC的SIMPLEST方法：

1. 我们选择一个分类器

from sklearn.linear_model import LogisticRegression

LRE = LogisticRegression(solver='lbfgs')

LRE.fit(X_train, y_train)

1. 我正在列出多类课程

   d = y_test.unique()

   class_name = list(d.flatten())

   class_name

   

2. 现在分别计算每个班级的AUC

   for p in class_name:

        `fpr, tpr, thresholds = metrics.roc_curve(y_test,  
                        LRE.predict_proba(X_test)[:,1], pos_label = p) 
   
         auroc = round(metrics.auc(fpr, tpr),2)
         print('LRE',p,'--AUC--->',auroc)`