问题描述
在这个简单的例子中，尽管预测是完美的（损失 0，准确度 1），但 AUC 为零：
import numpy as np
import tensorflow as tf
# enable debugging of tf.keras.metrics.AUC.update_state and .result
tf.config.run_functions_eagerly(True)
# simple model connecting a scalar input to a scalar output
layer = tf.keras.layers.Input(shape=1)
model = tf.keras.models.Model(inputs=layer,outputs=layer)
# prepare data: [0.1,0.2,... 0.9]
data = np.arange(1,10) / 10
print(f"data = {data}")
# compile and fit model using accuracy and AUC metrics
model.compile(metrics=["categorical_accuracy","AUC"])
history = model.fit(x=data,y=data,verbose=0)
print(f"metrics = {history.history}")
输出：
data = [0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]
metrics = {'loss': [0.0],'categorical_accuracy': [1.0],'auc': [0.0]}
原因有两个：
- 由于
self.false_positives全为零，因此与x == fp_rate成正比的结果也为零：
我不知道我该怎么办。文档说对于
实际 AUC 的最佳近似值，predictions 应在 [0,1] 范围内大致均匀分布
就是这样。我认为作者没有设想人们进行逐元素手动标签平滑（我这样做是为了实现逐样本标签平滑）。
问题可以简化为这样，也打印AUC = 0.0：
import numpy as np
import tensorflow as tf
# prepare data: [0.1,10) / 10
print(f"data = {data}")
# compute AUC metric
m = tf.keras.metrics.AUC(num_thresholds=3)
m.update_state(data,data)
print(f"AUC = {m.result().numpy()}")
这是预期的吗？如果是这样，我可以使用某种分类 AUC 吗？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）