得到多分类的 micro_auc代码

以下是一个示例代码，用于计算多分类问题的微观平均AUC（micro AUC）：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

# 加载 iris 数据集
iris = load_iris()
X, y = iris.data, iris.target

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑回归模型
clf = LogisticRegression(random_state=42, multi_class='multinomial', solver='lbfgs', max_iter=1000)
clf.fit(X_train, y_train)

# 在测试集上进行预测，并计算 AUC 值
y_scores = clf.predict_proba(X_test)
micro_auc = roc_auc_score(y_test, y_scores, multi_class='ovr', average='micro')

print("Micro AUC:", micro_auc)

在这个示例中，我们使用 iris 数据集作为示例数据，训练了一个逻辑回归模型，并在测试集上进行了预测。然后，我们使用 sklearn.metrics 中的 roc_auc_score 函数计算了多分类问题的微观平均AUC值，并将结果打印出来。需要注意的是，我们将 multi_class 参数设置为 'ovr'（One-vs-Rest），表示使用一对多策略来处理多分类问题。