python - tf.keras.metrics.AUC 是否适用于多类问题？

Question

我有一个多类分类问题，我想测量训练和测试数据的 AUC。
tf.keras 已经实现了 AUC 指标(tf.keras.metrics.AUC)，但我无法看到这个指标是否可以安全地用于多类问题。甚至，官方网页上的示例“不平衡数据分类”专用于二进制分类问题。
我已经实现了一个预测六个类别的 CNN 模型，具有一个提供所有类别概率的 softmax 层。我使用这个指标如下

self.model.compile(loss='categorical_crossentropy',
                       optimizer=Adam(hp.get("learning_rate")),
                       metrics=['accuracy', AUC()]),

并且代码执行没有任何问题。但是，有时我会看到一些对我来说很奇怪的结果。例如，模型报告的准确度为 0.78333336，AUC 等于 0.97327775，这可能吗？模型可以有低准确率和这么高的 AUC 吗？
我想知道，虽然代码没有给出任何错误，但 AUC 指标计算错误。
有人可能会向我确认此指标是否支持多类分类问题？

Answer 1

有争论 multi_label这是您的 tf.keras.metrics.AUC 中的 bool 值称呼。

如 True (不是默认值)，多标签数据将被如此处理，因此为每个标签单独计算 AUC，然后跨标签取平均值。

当False (默认)，在 AUC 计算之前，数据将被展平为单个标签。在后一种情况下，当多标签数据传递给 AUC 时，每个标签-预测对都被视为一个单独的数据点。

文档建议将其设置为 False用于多类数据。

例如:tf.keras.metrics.AUC(multi_label = True)
见 AUC Documentation更多细节。