AUC多分类python实战代码

以下是一个多分类AUC的Python实现代码：

import numpy as np
from sklearn.metrics import roc_curve, auc

def multiclass_roc_auc_score(y_true, y_score):
    # Compute ROC curve and ROC area for each class
    fpr = dict()
    tpr = dict()
    roc_auc = dict()
    n_classes = y_score.shape[1]
    for i in range(n_classes):
        fpr[i], tpr[i], _ = roc_curve(y_true == i, y_score[:, i])
        roc_auc[i] = auc(fpr[i], tpr[i])

    # Compute micro-average ROC curve and ROC area
    fpr["micro"], tpr["micro"], _ = roc_curve(y_true.ravel(), y_score.ravel())
    roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

    # Compute macro-average ROC curve and ROC area
    all_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)]))
    mean_tpr = np.zeros_like(all_fpr)
    for i in range(n_classes):
        mean_tpr += np.interp(all_fpr, fpr[i], tpr[i])
    mean_tpr /= n_classes
    fpr["macro"] = all_fpr
    tpr["macro"] = mean_tpr
    roc_auc["macro"] = auc(fpr["macro"], tpr["macro"])

    return roc_auc

这个函数使用了numpy和sklearn中的roc_curve和auc函数，可以计算多分类情况下的ROC AUC。其中，y_true是真实标签，y_score是预测概率矩阵，每一行代表一个样本，每一列代表一个类别。函数会返回一个字典，包含每个类别和微平均、宏平均的ROC AUC。