对两个张量的torcheval AUC计算conterco 我是Torcheval的新手，并试图测量我的二进制分类器（DOC）的AUC。 我注意到，尽管分类器的准确性不错，但AUC度量评估为0.5以下，这是不正确的（给...

Question

from torcheval.metrics.aggregation.auc import AUC
from torcheval.metrics import BinaryAccuracy

from sklearn.metrics import roc_auc_score, accuracy_score

p_pred = torch.tensor([0.2, 0.3, 0.4, 0.6, 0.7, 0.8])  # model est likelihood of target class
y_true = torch.tensor([0.0, 0.0, 1.0, 0.0, 1.0, 1.0])  # ground truth, 1 = target class

# TorchEval Metrics
auc_metric = AUC()
accuracy_metric = BinaryAccuracy(threshold=0.5)
auc_metric.reset()
accuracy_metric.reset()
auc_metric.update(p_pred,y_true)
accuracy_metric.update(input=p_pred,target=y_true)

print(f"TorchEval Accuracy = {accuracy_metric.compute().item():.3}")
print(f"Sklearn Accuracy   = {accuracy_score(y_true=y_true,y_pred=p_pred.round()):.3}")
print(f"TorchEval AUC      = {auc_metric.compute().item():.3}")
print(f"Sklearn AUC        = {roc_auc_score(y_true=y_true,y_score=p_pred):.3}")

torcheval auc的意外价值：

TorchEval Accuracy = 0.667
Sklearn Accuracy   = 0.667
TorchEval AUC      = 0.3
Sklearn AUC        = 0.889

如何正确调用Torcheval AUC以获得〜0.9？

的预期值
    

我应该使用

metrics.BinaryAUROC

而不是。我认为

metrics.AUC

是在您已经拥有ROC的坐标时。

为

Answer 1

的不同论点，即（x，y），而不是像

AUC.update()

这样的（输入，target）应该是赠品，而不是我想要的。

BinaryAccuracy

返回预期的结果。