用于AUC计算的Tensorflow 1.4 tf.metrics.auc
用于AUC计算的Tensorflow 1.4 tf.metrics.auc
提问于 2018-01-09 18:13:17
在我的模型的训练时间期间，我正在尝试记录AUC。
根据文档的说法，tf.metric.auc需要一个label和predictions，两者的形状是相同的。
但在我的二进制分类中，label是一个只包含类的label张量。two-dimensional是prediction，包含每个数据点的每个类的概率。
在这种情况下如何计算？
回答 1
Stack Overflow用户
发布于 2018-01-09 19:05:47
让我们看看函数tf.metrics.auc中的参数
labels：形状与预测相匹配的张量。将被投给bool。predictions：任意形状的浮点张量，其值在[0, 1]范围内。
此操作已假定为二进制分类。也就是说，labels中的每个元素都声明单个样本的类是“正”还是“负”。它不是一个1热向量，它需要一个元素和排他类的数量一样多的向量。
同样，predictions用一定程度的确定性表示预测的二进制类(有些人可能称之为概率)，每个元素也应该引用一个示例。它不是softmax向量。
如果概率来自于一个由2个神经元组成的完全连接的神经网络，并在网络的顶端激活一个softmax，那么可以考虑用一个神经元和一个乙状结肠激活来代替它。现在可以直接将输出输入到tf.metrics.auc。
否则，您只需将预测张量分割为只考虑正类，它将同样表示二进制类：
auc_value, auc_op = tf.metrics.auc(labels, predictions[:, 1])页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/48174323
复制相关文章
相似问题
腾讯云开发者
