tf.compat.v1.metrics.auc

Вычисляет приблизительную 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 локальных переменных, true_positives, true_negatives, false_positives и false_negatives, которые используются для вычисления AUC. Для дискретизации кривой AUC используется линейно расположенный набор пороговых значений для вычисления пар значений отзыва и точности. Таким образом, площадь под кривой ROC вычисляется, используя высоту значений отзыва по отношению к скорости ложного срабатывания, а площадь под кривой PR вычисляется, используя высоту значений точности по отношению к отзывчивости.

Это значение в конечном счёте возвращается как auc, идемпотентная операция, которая вычисляет площадь под дискретизованной кривой точности по отношению к значениям отзыва (вычисленные с использованием упомянутых выше переменных). Переменная num_thresholds контролирует степень дискретизации, при большем числе пороговых значений приближение к истинному значению AUC становится более точным. Качество приближения может существенно меняться в зависимости от num_thresholds.

Для достижения наилучших результатов, predictions должно быть распределено примерно равномерно в диапазоне [0, 1] и не иметь пиков около 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 приближения, предоставив нижнюю или верхнюю границу оценки AUC. Параметр thresholds может использоваться для ручного задания пороговых значений, которые более равномерно разбивают прогнозы.

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

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