多标签评价指标AUC计算

import torch
import numpy as np
from sklearn.metrics import roc_auc_score

def multi_label_auc(y_true, y_pred):
    """
    计算多标签AUC的函数
    :param y_true: 真实标签，形状为[N, num_classes]
    :param y_pred: 预测标签，形状为[N, num_classes]
    :return: 多标签AUC
    """
    # 将标签转换为numpy数组
    y_true = y_true.cpu().numpy()
    y_pred = y_pred.cpu().numpy()

    # 初始化多标签AUC值
    total_auc = 0.

    # 计算每个标签的AUC值，并对所有标签的AUC值求平均
    for i in range(y_true.shape[1]):
        try:
            auc = roc_auc_score(y_true[:, i], y_pred[:, i])
        except ValueError:
            auc = 0.5  # 如果标签中只有一个类别，则返回0.5
        total_auc += auc

    multi_auc = total_auc / y_true.shape[1]

    return multi_auc

使用sklearn.metrics库中的roc_auc_score函数计算每个标签的AUC值，并对所有标签的AUC值求平均，从而得到多标签AUC值。在计算AUC之前，我们将PyTorch张量转换为NumPy数组。请注意，此代码假定每个标签都是二进制标签。如果您的标签具有多个类别，则需要更改AUC计算的方式。

示例：

# 随机生成的标签和预测值可能不准确
import torch

# 假设有3个标签和10个样本
num_classes = 3
N = 10

# 随机生成真实标签和预测标签
y_true = torch.randint(0, 2, size=(N, num_classes)).float()
y_pred = torch.randn(N, num_classes)

# 计算多标签AUC
multi_auc = multi_label_auc(y_true, y_pred)
print('多标签AUC:', multi_auc)

运行结果：