计算多分类问题中的 “macro”AUC代码

计算多分类问题中的 `macro` AUC 也可以使用 Scikit-learn 的 `roc_auc_score` 函数，不过需要设置参数 `multi_class='ovo'` 和 `average='macro'`。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 macro AUC 值
macro_auc = roc_auc_score(y_true, y_pred, multi_class='ovo', average='macro')

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。在调用 `roc_auc_score` 函数时，将参数 `multi_class` 设置为 `'ovo'`，表示采用 One-vs-One 的策略计算每个类别之间的 AUC 值。将参数 `average` 设置为 `'macro'`，表示对每个类别之间的 AUC 值取平均值，得到 `macro` AUC 值。