基于Jaccard系数的网络链接预测：如何实现多次运行取平均AUC

直接给你改好的代码，核心就是加个循环把整个预测流程跑1000次，把每次的AUC分数存起来最后算平均：

import random
import networkx as nx
from sklearn import metrics
from sklearn.metrics import roc_auc_score
import numpy as np  # 用来计算平均值，也可以用sum/len替代

# 初始化存储AUC分数的列表
auc_scores = []
# 重复执行1000次预测流程
for _ in range(1000):
    # 随机选取20%的边作为测试集
    proportion_edges = .2
    edge_subset = random.sample(G.edges(), int(proportion_edges * G.number_of_edges()))
    
    # 构建移除测试边后的训练图
    G_train = G.copy()
    G_train.remove_edges_from(edge_subset)
    
    # 用Jaccard系数做链接预测
    pred_jaccard = list(nx.jaccard_coefficient(G_train))
    score_jaccard, label_jaccard = zip(*[(s, (u,v) in edge_subset) for (u,v,s) in pred_jaccard])
    
    # 计算当前轮次的AUC并加入列表
    auc_jaccard = roc_auc_score(label_jaccard, score_jaccard)
    auc_scores.append(auc_jaccard)

# 计算并输出1000次结果的平均值
mean_auc = np.mean(auc_scores)
print(f"1000次预测的平均AUC分数：{mean_auc}")

关键修改说明 #

• 把所有依赖的导入语句移到代码最顶部，避免循环内重复导入浪费资源
• 新增auc_scores = []用来存储每一轮的AUC结果
• 用for _ in range(1000):包裹整个预测流程，实现1000次重复执行
• 每轮循环结束后把当前的AUC分数追加到列表中
• 最后用numpy.mean()计算平均值，要是不想安装numpy，也可以用sum(auc_scores)/len(auc_scores)替代

内容的提问来源于stack exchange，提问作者Oscar Fernando CV