python代码怎么写多分类的auc

要计算多分类任务的AUC（Area Under the Curve），您可以使用`sklearn.metrics.roc_auc_score`函数。这个函数可以计算多类别分类任务的多个类别之间的AUC。

以下是一个示例代码，演示如何计算多分类任务的AUC：

from sklearn.metrics import roc_auc_score
import numpy as np

# 假设有3个类别，每个类别有10个样本
# 假设真实标签为labels，预测概率为probs

# labels是每个样本的真实标签，以0、1、2表示三个类别
labels = np.array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1])

# probs是每个样本属于各个类别的预测概率，以二维数组表示
probs = np.array([[0.9, 0.05, 0.05], [0.2, 0.7, 0.1], [0.1, 0.4, 0.5], 
                  [0.8, 0.15, 0.05], [0.3, 0.5, 0.2], [0.1, 0.3, 0.6],
                  [0.7, 0.2, 0.1], [0.3, 0.4, 0.3], [0.05, 0.2, 0.75],
                  [0.6, 0.25, 0.15], [0.3, 0.4, 0.3], [0.2, 0.6, 0.2],
                  [0.7, 0.15, 0.15], [0.2, 0.3, 0.5], [0.1, 0.4, 0.5],
                  [0.8, 0.1, 0.1], [0.3, 0.55, 0.15], [0.05, 0.25, 0.7],
                  [0.9, 0.05, 0.05], [0.2, 0.6, 0.2]])

# 计算多分类AUC
auc = roc_auc_score(labels, probs, multi_class='ovr')

print('多分类AUC:', auc)

在上面的示例中，我们使用了`roc_auc_score`函数来计算多分类任务的AUC。`labels`是每个样本的真实标签，以整数表示不同的类别。`probs`是每个样本属于各个类别的预测概率，以二维数组表示。`multi_class`参数设置为'ovr'，表示采用“一对多”方式计算AUC。

请注意，`roc_auc_score`函数要求预测概率必须是样本属于正类的概率。如果您的模型输出的是类别标签而不是概率，您需要将其转换为概率形式，例如使用softmax函数。