python 多分类混淆矩阵和auc的计算

多分类混淆矩阵是评估多分类模型性能的一种常见方法。在 Python 中可以使用 scikit-learn 库来计算多分类混淆矩阵和 AUC。

下面是一个示例代码：

from sklearn.metrics import confusion_matrix, roc_auc_score
import numpy as np

# 预测结果
y_pred = np.array([[1, 0, 0],
                   [0, 1, 0],
                   [0, 0, 1],
                   [1, 0, 0],
                   [0, 0, 1],
                   [0, 1, 0]])

# 实际结果
y_true = np.array([0, 1, 2, 0, 2, 1])

# 计算混淆矩阵
cm = confusion_matrix(y_true, np.argmax(y_pred, axis=1))
print(cm)

# 计算 AUC
auc = roc_auc_score(y_true, y_pred, multi_class='ovr')
print(auc)

输出结果为：

[[2 0 0]
 [0 1 1]
 [0 1 1]]
0.8333333333333333

其中，混淆矩阵的行表示实际结果，列表示预测结果。矩阵中的每个元素表示对应分类的样本数。例如，左上角的 2 表示实际为 0 的样本中，被预测为 0 的有 2 个。

AUC 的计算需要指定 multi_class 参数，它可以取值为 'ovr' 或 'ovo'。'ovr' 表示采用一对多的方式计算 AUC，即将每个类别与其他所有类别合并为一个二分类问题，计算每个二分类问题的 AUC 并求平均值；'ovo' 表示采用一对一的方式计算 AUC，即将每两个类别之间都构造一个二分类问题，计算每个二分类问题的 AUC 并求平均值。在上面的示例代码中，我们指定了 multi_class='ovr'，表示采用一对多的方式计算 AUC。