机器学习 · 函数

多分类ROC

计算多分类 ROC 曲线和 AUC。

调用签名(真实标签, 预测概率, 类别数: 'int' = None)

多ZHONGWEN
PYTHON

Chinese example

中文代码示例

# 完整案例：按字段调用 多分类ROC
设 结果 = 机器学习.多分类ROC(
    真实标签=[1, 2, 3, 4],  # 必填；按函数业务含义传入 真实标签;首次使用建议先 打...
    预测概率=[1, 2, 3, 4],  # 必填；按函数业务含义传入 预测概率;首次使用建议先 打...
    类别数=None,  # 可选；整数类型的 类别数 参数,按函数业务含义传入对应...
)
打印(结果)

可直接放进 .cs / .中py 文件运行。转换器会把中文代码交给真实 Python 解释器。

Parameters

参数说明

3 个参数

参数类型 / 传入方式说明

真实标签可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入真实标签;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传会报 TypeError: missing required argument: '真实标签';检查调用是否漏了这行

预测概率可选 · 默认无

未声明位置参数或字段名=值

按函数业务含义传入预测概率;首次使用建议先打印(结果) 确认其作用。

常见错误：漏传会报 TypeError: missing required argument: '预测概率';检查调用是否漏了这行

类别数可选 · 默认 None

int位置参数或字段名=值

整数类型的类别数参数,按函数业务含义传入对应数值。

常见错误：传非整数会报 TypeError;按整数类型传值

Playbook

基础用法 · 进阶组合 · 错误排查

# 完整案例：按字段调用 多分类ROC
设 结果 = 机器学习.多分类ROC(
    真实标签=[1, 2, 3, 4],  # 必填；按函数业务含义传入 真实标签;首次使用建议先 打...
    预测概率=[1, 2, 3, 4],  # 必填；按函数业务含义传入 预测概率;首次使用建议先 打...
    类别数=None,  # 可选；整数类型的 类别数 参数,按函数业务含义传入对应...
)
打印(结果)

# 进阶组合:多分类ROC 配合 机器学习 业务流使用
设 模型 = 机器学习.训练线性回归([[1], [2], [3]], [2, 4, 6])
设 结果 = 机器学习.多分类ROC(
    真实标签=[1, 2, 3, 4],  # 必填
    预测概率=[1, 2, 3, 4],  # 必填
    类别数=None,  # 可选
)
设 结果 = 机器学习.预测(模型, [[4]])
打印(结果)

# 错误排查:覆盖 2 个必填参数

## 参数 1: 真实标签
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.多分类ROC()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.多分类ROC(真实标签=[1, 2, 3, 4])

## 参数 2: 预测概率
# 错误:漏传会报 TypeError: missing required argument
# 设 结果 = 机器学习.多分类ROC()  # TypeError
# 修复:补上必填字段
设 结果 = 机器学习.多分类ROC(预测概率=[1, 2, 3, 4])
打印(结果)