计算多分类问题中的 “micro”AUC代码

计算多分类问题中的 `micro` AUC 可以使用 Scikit-learn 的 `roc_auc_score` 函数，设置参数 `multi_class='ovr'`，并且不能指定 `average` 参数。具体代码如下：

from sklearn.metrics import roc_auc_score

# y_true 是真实标签，y_pred 是分类器预测的概率值或决策函数输出值
# y_true 和 y_pred 的形状都是 (n_samples, n_classes)，n_samples 表示样本数，n_classes 表示类别数
y_true = ...
y_pred = ...

# 计算每个类别的 AUC 值
aucs = []
for i in range(y_true.shape[1]):
    auc = roc_auc_score(y_true[:, i], y_pred[:, i])
    aucs.append(auc)

# 计算 micro AUC 值
micro_auc = sum(aucs) / len(aucs)

其中，`y_true` 是真实标签，`y_pred` 是分类器预测的概率值或决策函数输出值，它们的形状都是 `(n_samples, n_classes)`，`n_samples` 表示样本数，`n_classes` 表示类别数。在循环中，对于每个类别 i，使用 `roc_auc_score` 函数计算该类别的 AUC 值，然后将所有类别的 AUC 值加起来求平均值，即得到 `micro` AUC 值。