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 создает четыре локальные переменные, 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 ложноположительных результатов, а площадь под кривой PR вычисляется, используя высоту значений точности по отношению к отзыву.

Это значение в конечном итоге возвращается как auc, идемпотентная операция, вычисляющая площадь под дискретизированной кривой точности по отношению к отзыву (вычисленной с использованием упомянутых выше переменных). Переменная num_thresholds управляет степенью дискретизации, и большее количество пороговых значений точнее приближает истинное значение AUC. Качество приближения может существенно различаться в зависимости от num_thresholds.

Для достижения наилучших результатов predictions должны быть распределены приблизительно равномерно в диапазоне [0, 1] и не должны быть сконцентрированы вблизи 0 или 1. Качество приближения AUC может быть низким, 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 может использоваться для ручного задания пороговых значений, которые более равномерно разделяют предсказания.

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 для маскирования значений.