tf.metrics.auc

Вычисляет приблизительную площадь под кривой (AUC) с помощью сумм Римана.

tf.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 создает четыре локальные переменные, true_positives, true_negatives, false_positives и false_negatives, используемые для вычисления AUC. Для дискретизации кривой AUC используется линейно распределенный набор пороговых значений для вычисления пар значений отзыва и точности. Таким образом, площадь под кривой ROC вычисляется с использованием высоты значений отзыва по отношению к доле ложноположительных результатов, а площадь под кривой PR — с использованием высоты значений точности по отношению к отзывчивости.

Это значение в конечном итоге возвращается как auc, идемпотентная операция, которая вычисляет площадь под дискретизированной кривой точности по отношению к отзывчивости (вычисленной с использованием упомянутых переменных). Переменная num_thresholds контролирует степень дискретизации, при больших значениях пороговых значений приближение к истинному значению AUC становится более точным. Качество приближения может сильно варьироваться в зависимости от num_thresholds.

Для достижения наилучших результатов, predictions должны быть распределены примерно равномерно в диапазоне [0, 1] и не должны иметь пиков вблизи 0 или 1. Качество приближения AUC может быть низким, если это не так. Установка summation_method в 'minoring' или 'majoring' может помочь количественно оценить ошибку в приближении, предоставив нижнюю или верхнюю границу оценки AUC. Параметр thresholds может использоваться для ручного указания пороговых значений, которые более равномерно разбивают прогнозы.

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

Если weights является None, веса по умолчанию равны 1. Используйте веса 0, чтобы замаскировать значения.