使用 sklearn 的 roc_auc_score 进行 OneVsOne 多分类？

Posted 2023-03-12

【中文标题】使用 sklearn 的 roc_auc_score 进行 OneVsOne 多分类？

【英文标题】：Using sklearn's roc_auc_score for OneVsOne Multi-Classification?

【发布时间】：2020-06-07 09:59:04

【问题描述】：

所以我正在研究一个模型，该模型试图使用 RandomForest 将样本分类为 7 个类别中的 1 个。我能够构建和训练模型，但在使用 roc_auc 函数对其进行评估时，我能够执行“ovr”（oneVsrest）但“ovo”给我带来了一些麻烦。

roc_auc_score(y_test, rf_probs, multi_class = 'ovr', average = 'weighted')

上面的效果非常好，我得到了我的输出，但是，当我将 multi_class 切换到“ovo”时，我理解这对于类不平衡可能会更好，我得到以下错误：

roc_auc_score(y_test, rf_probs, multi_class = 'ovo')

IndexError: 数组索引过多

（我在下面粘贴了整个回溯！）

目前我的数据设置如下：

y_test (61,1)

y_probs (61, 7)

我是否需要以特殊方式重塑我的数据才能使用“ovo”？

在文档https://thomasjpfan.github.io/scikit-learn-website/modules/generated/sklearn.metrics.roc_auc_score.html 中，它说“binary y_true, y_score 应该是具有更大标签的类的分数。多类案例需要 shape = [n_samples, n_classes] 其中分数对应于概率估计。"

此外，整个回溯似乎暗示使用可能使用更二进制的数组（希望这是正确的术语！我是新手！）

非常非常感谢任何想法/想法！

【问题讨论】：

是的。您需要重塑 y_test 以塑造(61, 7)。您可以使用OneHotEncoder 轻松做到这一点。我还没有尝试过，但应该这样做

@TirthPatel 谢谢你，成功了！哇，这么简单的解决方案，我花了好几天的时间！

【参考方案1】：

@Tirth Patel 提供了正确的答案，我需要使用一种热编码来重塑我的测试集。谢谢！