sklearn roc_auc_score多分类ovr模式下average=None参数使用疑问

你的理解完全没错！roc_auc_score的参数校验确实存在这个“矛盾点”：当设置multi_class="ovr"时，底层是把每个类别当作独立的二分类问题（One-vs-Rest）处理，内部逻辑其实和多标签分类的AUC计算逻辑一致，但函数的参数校验规则却明确限制此时average只能取'macro'或'weighted'，不允许传入None来获取每个类别的单独分数。

针对这个问题，你有两种靠谱的解决方案，我分别给你拆解一下：

方案一：手动循环每个类别计算OVR AUC #

这种方法最直观，完全贴合OVR的逻辑，也容易调试。核心思路是对每个类别单独做二分类的AUC计算：

1. 遍历每个类别的索引
2. 将真实标签转换为二分类标签（当前类别为1，其余类别为0）
3. 取出预测矩阵中对应类别的得分列，计算该类别的AUC

示例代码如下：

import numpy as np
from sklearn.metrics import roc_auc_score

# 假设你的真实标签和预测矩阵
np_label = np.array([0, 1, 2, 0, 1, 2])
np_pred = np.array([
    [0.8, 0.1, 0.1],
    [0.2, 0.7, 0.1],
    [0.1, 0.2, 0.7],
    [0.6, 0.3, 0.1],
    [0.1, 0.8, 0.1],
    [0.2, 0.1, 0.7]
])

n_classes = np_pred.shape[1]
class_aucs = []

for class_idx in range(n_classes):
    # 转换为二分类标签：当前类别为1，其他为0
    binary_labels = (np_label == class_idx).astype(int)
    # 获取当前类别的预测得分
    class_scores = np_pred[:, class_idx]
    # 计算AUC
    auc = roc_auc_score(binary_labels, class_scores)
    class_aucs.append(auc)

print("每个类别的AUC分数：", class_aucs)

方案二：伪装成多标签场景计算 #

既然roc_auc_score在多标签模式下支持average=None，你可以把真实标签转换为one-hot编码的多标签格式，然后直接调用函数获取每个类别的AUC。这种方式代码更简洁，本质和OVR逻辑完全一致：

示例代码如下：

import numpy as np
from sklearn.metrics import roc_auc_score
from sklearn.preprocessing import OneHotEncoder

# 转换真实标签为one-hot编码（多标签格式）
encoder = OneHotEncoder(sparse_output=False)
np_label_onehot = encoder.fit_transform(np_label.reshape(-1, 1))

# 多标签模式下计算每个类别的AUC
class_aucs = roc_auc_score(np_label_onehot, np_pred, average=None)

print("每个类别的AUC分数：", class_aucs)

两种方案的选择建议 #

• 如果追求代码的可读性和调试便利性，优先选手动循环的方式，逻辑清晰，出问题容易定位。
• 如果想让代码更简洁、少写循环，伪装多标签的方式完全可行，结果和手动循环是一致的。

内容的提问来源于stack exchange，提问作者Dario Mantegazza