本文使用sklearn的逻辑斯谛回归模型，进行鸢尾花多分类预测，对OvR与OvO多分类方法下的预测结果进行对比。
对于多类情况,max_fpr应该等于None或1.0,因为多类目前不支持 AUC ROC 部分计算。 multi_class:{‘raise’, ‘ovr’, ‘ovo’},默认='raise' 仅用于多类目标。确定要使用的配置类型。默认值会引发错误,因此必须显式传递'ovr'或'ovo'。 'ovr': 代表One-vs-rest。计算每个类别相对于其余类别的 AUC [3] [...
例如,multi_class参数允许用户指定如何处理多分类问题('ovr'表示一对多,'ovo'表示一对一),而labels参数则允许用户指定要计算的类别标签。然而,对于二分类问题,这些参数通常不是必需的。 综上所述,使用roc_auc_score函数评估二分类模型性能的步骤包括:导入函数、准备真实标签和预测概率、调用函数计算分数以及处理并解释...
py in roc_auc_score(y_true, y_score, average, sample_weight, max_fpr, multi_class, labels) 564 if multi_class == "raise": 565 raise ValueError("multi_class must be in ('ovo', 'ovr')") --> 566 return _multiclass_roc_auc_score( 567 y_true, y_score, labels, multi_class, ...
确保所有介于0和41之间（包括0和41）的整数都存在于gt中。举个简单的例子：
因为整数/标签2在gt1中不存在，所以它会引发一个错误。换句话说，gt1 (3)中的类数不等于pr1 (4)中...