小白也能看懂的 AUC 曲線詳解

PrimiHub發表於2023-11-01

小白也能看懂的 AUC 曲線詳解

簡介

上篇文章 小白也能看懂的 ROC 曲線詳解 介紹了 ROC 曲線。本文介紹 AUC。AUC 的全名為Area Under the ROC Curve，即 ROC 曲線下的面積，最大為 1。

根據 ROC 和 AUC 的關係，我們可以得到如下結論

  • ROC 曲線接近左上角 ---> AUC 接近 1：模型預測準確率很高
  • ROC 曲線略高於基準線 ---> AUC 略大於 0.5：模型預測準確率一般
  • ROC 低於基準線 ---> AUC 小於 0.5：模型未達到最低標準，無法使用

二分類 AUC

由 AUC 名稱可知，可以先計算 ROC 曲線，得到 TPR 和 FPR 的座標後再分段計算面積即可得到 AUC

下面是對應的 Python 程式碼

def auc_from_roc(fpr, tpr):
    """
    計算ROC面積
    fpr: 從小到大排序的fpr座標
    tpr: 從小到大排序的tpr座標
    """
    area = 0
    for i in range(len(fpr) - 1):
        area += trapezoid_area(fpr[i], fpr[i + 1], tpr[i], tpr[i + 1])
    return area
    
def trapezoid_area(x1, x2, y1, y2):
    """
    計算梯形面積
    x1, x2: 橫座標 (x1 <= x2)
    y1, y2: 縱座標 (y1 <= y2)
    """
    base = x2 - x1
    height_avg = (y1 + y2) / 2
    return base * height_avg

也可以直接從真實標籤和模型預測分數中計算 ROC，演算法的時間複雜度為\(O(n\log n)\)，參考文獻 1 中的演算法 2

# import numpy as np
def auc_binary(y_true, y_score, pos_label):
    """
    y_true：真實標籤
    y_score：模型預測分數
    pos_label：正樣本標籤，如“1”
    """
    num_positive_examples = (y_true == pos_label).sum()
    num_negtive_examples = len(y_true) - num_positive_examples

    tp, fp, tp_prev, fp_prev, area = 0, 0, 0, 0, 0
    score = -np.inf

    for i in np.flip(np.argsort(y_score)):
        if y_score[i] != score:
            area += trapezoid_area(fp_prev, fp, tp_prev, tp)
            score = y_score[i]
            fp_prev = fp
            tp_prev = tp

        if y_true[i] == pos_label:
            tp += 1
        else:
            fp += 1

    area += trapezoid_area(fp_prev, fp, tp_prev, tp)
    area /= num_positive_examples * num_negtive_examples

    return area

多分類 AUC

現在考慮多分類的情況，假設類別數為\(C\)。

一種想法是將某一類別設為正樣本類別，其餘類別設為負樣本類別，然後計算二分類下的 AUC。這種方法叫做一對多，即 One-Vs-Rest (OVR)。可以得到\(C\)個二分類的 AUC，然後計算平均數得到多分類的 AUC。

另一種想法是將某一類別設為正樣本類別，另外一個類別（非自身）設為負樣本類別計算二分類的 AUC。這種方法叫做一對一，即 One-Vs-One (OVO)。可以得到\(C(C-1)\)個二分類的 AUC，然後計算平均數。

當計算平均數時，可以考慮算數平均數（稱為 macro），或者加權平均數（稱為 weighted）。其中，加權為各類別的樣本所佔比例。因此，兩兩組合可以的得到四種計算多分類 AUC 的方法。值得一提的是，知名機器學習庫 scikit-learn 的 roc_auc_score 函式 包含了上述四種方法。

  1. 一對多 + 算數平均數（OVR + macro）
  2. 一對多 + 加權平均數（OVR + weighted）
  3. 一對一 + 算數平均數（OVO + macro）
  4. 一對一 + 加權平均數（OVO + weighted）

一對多 + 算數平均數

多分類 AUC 的計算公式為

\[\text{AUC}_\text{total}=\frac{1}{C}\sum_{c_i\in C}\text{AUC}(c_i) \]

其中\(\text{AUC}(c_i)\)是將類別\(c_i\)作為正樣本類別（剩餘作為負樣本類別），計算的二分類 AUC。

# sklearn.metrics.roc_auc_score(y_true, y_score, average='macro', multi_class='ovr')
def auc_ovr_macro(y_true, y_score):
    auc = 0
    C = max(y_true) + 1

    for i in range(C):
        auc += auc_binary(y_true, y_score[:, i], pos_label=i)

    return auc / C

一對多 + 加權平均數

多分類 AUC 的計算公式為

\[\text{AUC}_\text{total}=\sum_{c_i\in C}\text{AUC}(c_i)p(c_i) \]

其中，權重\(p(c_i)=\frac{\sum\mathbb{I}\{y=c_i\}}{n}\)，即標籤為\(c_i\)的樣本所佔比例，權重之和為 1。

# sklearn.metrics.roc_auc_score(y_true, y_score, average='weighted', multi_class='ovr')
def auc_ovr_weighted(y_true, y_score):
    auc = 0
    C = max(y_true) + 1
    n = len(y_true)

    for i in range(C):
        p = sum(y_true == i) / n
        auc += auc_binary(y_true, y_score[:, i], pos_label=i) * p

    return auc

一對一 + 算數平均數

多分類 AUC 的計算公式為

\[\text{AUC}_\text{total}=\frac{2}{C(C-1)}\sum_{\{c_i,c_j\}\in C,\ c_i<c_j}\text{AUC}(c_i,c_j) \]

其中，\(\text{AUC}(c_i,c_j)=\frac{\text{AUC}(c_i｜c_j)+\text{AUC}(c_j｜c_i )}{2}\)。即將\(c_i\)作為正樣本類別、\(c_j\)作為負樣本類別計算二分類\(\text{AUC}(c_i｜c_j)\)；然後將\(c_j\)作為正樣本類別、\(c_i\)作為負樣本類別計算二分類\(\text{AUC}(c_j｜c_i)\)。\(\text{AUC}(c_i,c_j)\)為其計算的算數平均值。由於將\(c_i\)和\(c_j\)組合計算，共得到\(C(C-1)/2\) 個二分類 AUC。

# sklearn.metrics.roc_auc_score(y_true, y_score, average='macro', multi_class='ovo')
def auc_ovo_macro(y_true, y_score):
    auc = 0
    C = max(y_true) + 1

    for i in range(C - 1):
        i_index = np.where(y_true == i)[0]
        for j in range(i + 1, C):
            j_index = np.where(y_true == j)[0]
            index = np.concatenate((i_index, j_index))

            auc_i_j = auc_binary(y_true[index], y_score[index, i], pos_label=i)
            auc_j_i = auc_binary(y_true[index], y_score[index, j], pos_label=j)
            auc += (auc_i_j + auc_j_i) / 2

    return auc * 2 / (C * (C - 1))

一對一 + 加權平均數

多分類 AUC 的計算公式為

\[\text{AUC}_\text{total}=\sum_{\{c_i,c_j\}\in C,\ c_i<c_j}\text{AUC}(c_i,c_j)p(c_i,c_j) \]

其中，權重\(p(c_i,c_j)=\frac{\sum\mathbb{I}\{y=c_i\}+\sum\mathbb{I}\{y=c_j\}}{(C-1)n}\)，即標籤為\(c_i\)和\(c_j\)的樣本所佔比例，分母中的係數\(C-1\)使得權重之和為 1。

# sklearn.metrics.roc_auc_score(y_true, y_score, average='weighted', multi_class='ovo')
def auc_ovo_weighted(y_true, y_score):
    auc = 0
    C = max(y_true) + 1
    n = len(y_true)

    for i in range(C - 1):
        i_index = np.where(y_true == i)[0]
        for j in range(i + 1, C):
            j_index = np.where(y_true == j)[0]
            index = np.concatenate((i_index, j_index))

            p = len(index) / n / (C - 1)
            auc_i_j = auc_binary(y_true[index], y_score[index, i], pos_label=i)
            auc_j_i = auc_binary(y_true[index], y_score[index, j], pos_label=j)
            auc += (auc_i_j + auc_j_i) / 2 * p

    return auc

參考文獻

  1. Fawcett, Tom. "An introduction to ROC analysis." Pattern recognition letters 27, no. 8 (2006): 861-874. https://www.researchgate.net/profile/Tom-Fawcett/publication/222511520_Introduction_to_ROC_analysis/links/5ac7844ca6fdcc8bfc7fa47e/Introduction-to-ROC-analysis.pdf
  2. Hand, David J., and Robert J. Till. "A simple generalisation of the area under the ROC curve for multiple class classification problems." Machine learning 45 (2001): 171-186. https://link.springer.com/content/pdf/10.1023/A:1010920819831.pdf

作者：PrimiHub-Kevin

相關文章