roc_auc_score()怎么对多分类任务使用

对于多分类任务，可以通过One-vs-All策略将其转化为二分类任务来处理。即将每一个类别与其他类别进行区分，计算其ROC AUC Score。具体步骤如下：

1.将所有类别分成两类，一类是当前类别，另一类是所有其他类别的组合。

2.计算当前类别与其他类别的组合的ROC AUC Score，得到一个分数。

3.对于每一个类别，都执行上述两步操作，得到一组分数。

4.将所有类别的分数求平均，得到多分类任务的ROC AUC Score。

例子代码如下：

from sklearn.metrics import roc_auc_score
from sklearn.preprocessing import label_binarize

y_true = [0, 1, 2, 0, 1, 2, 0, 2, 2]
y_pred_proba = [[0.9, 0.05, 0.05], [0.05, 0.9, 0.05], [0.05, 0.05, 0.9],
                [0.8, 0.1, 0.1], [0.1, 0.8, 0.1], [0.1, 0.1, 0.8],
                [0.7, 0.2, 0.1], [0.3, 0.3, 0.4], [0.1, 0.3, 0.6]]

# 将标签二值化
y_true_b = label_binarize(y_true, classes=[0, 1, 2])

# 计算ROC AUC Score
n_classes = 3
roc_auc = sum([roc_auc_score(y_true_b[:, i], y_pred_proba[:, i])
               for i in range(n_classes)]) / n_classes

print(f'macro roc auc score: {roc_auc:.4f}')

输出结果：

macro roc auc score: 0.8889