使用 sklearn 中的 multiclass_roc_auc_score 函数来计算多分类的 ROC AUC 值。怎么写

使用 `multiclass_roc_auc_score` 函数计算多分类的 ROC AUC 值的代码如下：

from sklearn.metrics import multiclass_roc_auc_score

y_true = # 真实标签，格式为 (n_samples, n_classes)
y_score = # 模型输出的预测分数，格式为 (n_samples, n_classes)

roc_auc = multiclass_roc_auc_score(y_true, y_score, average='macro')
print('ROC AUC:', roc_auc)

其中 `y_true` 是真实标签，格式为 `(n_samples, n_classes)`，`y_score` 是模型输出的预测分数，格式为 `(n_samples, n_classes)`。`average` 参数指定了如何计算多分类的 ROC AUC 值，可以选择 `'macro'` 或 `'weighted'`，默认为 `'macro'`。`'macro'` 表示对每个类别分别计算 ROC 曲线，然后对所有类别的 ROC 曲线取平均值；`'weighted'` 表示对每个类别分别计算 ROC 曲线，然后按照每个类别的样本数加权平均。最终输出的是一个标量，表示多分类的 ROC AUC 值。