, Если вы хотите использовать cross_val, это другой вариант использования.

аю разные эксперименты по классификации текста. Теперь мне нужно рассчитать AUC-ROC для каждой задачи. Для двоичных классификаций я уже заставил это работать с этим кодом:

scaler = StandardScaler(with_mean=False)

enc = LabelEncoder()
y = enc.fit_transform(labels)

feat_sel = SelectKBest(mutual_info_classif, k=200)

clf = linear_model.LogisticRegression()

pipe = Pipeline([('vectorizer', DictVectorizer()),
                 ('scaler', StandardScaler(with_mean=False)),
                 ('mutual_info', feat_sel),
                 ('logistregress', clf)])
y_pred = model_selection.cross_val_predict(pipe, instances, y, cv=10)
# instances is a list of dictionaries

#visualisation ROC-AUC

fpr, tpr, thresholds = roc_curve(y, y_pred)
auc = auc(fpr, tpr)
print('auc =', auc)

plt.figure()
plt.title('Receiver Operating Characteristic')
plt.plot(fpr, tpr, 'b',
label='AUC = %0.2f'% auc)
plt.legend(loc='lower right')
plt.plot([0,1],[0,1],'r--')
plt.xlim([-0.1,1.2])
plt.ylim([-0.1,1.2])
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()

Но теперь мне нужно сделать это для задачи классификации мультикласса. Я где-то читал, что мне нужно преобразовать метки в двоичную форму, но я действительно не понимаю, как рассчитать ROC для мультиклассовой классификации. Подсказки?

Ответы на вопрос(0)

Ваш ответ на вопрос