tf.compat.v1.metrics.auc

Вычисляет приближенное значение AUC с помощью суммы Римана. (устарело)

tf.compat.v1.metrics.auc(
    labels,
    predictions,
    weights=None,
    num_thresholds=200,
    metrics_collections=None,
    updates_collections=None,
    curve='ROC',
    name=None,
    summation_method='trapezoidal',
    thresholds=None
)

Функция auc создаёт четыре локальные переменные, true_positives, true_negatives, false_positives и false_negatives, которые используются для вычисления AUC. Для дискретизации кривой AUC используется линейно распределённый набор пороговых значений для вычисления пар значений отзыва и точности. Таким образом, площадь под кривой ROC вычисляется по высоте значений отзыва относительно скорости ложноположительных результатов, а площадь под кривой PR вычисляется по высоте значений точности относительно отзыва.

Это значение в конечном итоге возвращается как auc, идемпотентная операция, которая вычисляет площадь под дискретизованной кривой точности по отношению к значениям отзыва (вычисленным с использованием упомянутых выше переменных). Переменная num_thresholds контролирует степень дискретизации, и чем больше пороговых значений, тем точнее приближение к истинному значению AUC. Качество приближения может значительно варьироваться в зависимости от num_thresholds.

Для достижения наилучших результатов, predictions должны быть распределены приблизительно равномерно в диапазоне [0, 1] и не сосредоточены вокруг 0 или 1. Качество приближения AUC может быть плохим, если это не так. Установка summation_method в 'minoring' или 'majoring' может помочь оценить ошибку приближения, предоставив нижнюю или верхнюю границу оценки AUC. Параметр thresholds можно использовать для ручного указания пороговых значений, которые более равномерно разделяют прогнозы.

Для оценки метрики по потоку данных функция создаёт операцию update_op, которая обновляет эти переменные и возвращает auc.

Если weights равен None, веса по умолчанию равны 1. Используйте веса 0 для маскирования значений.