多分类auc无统一定义，需选ovr、ovo或宏/微平均策略；sklearn用roc_auc_score实现，须指定multi_class和average参数，并输入概率而非标签。
多分类AUC没有单一标准定义，得先选策略
Python里没有直接叫 multiclass_auc 的函数，因为AUC本质是二分类概念。多分类必须降维处理，主流有三种策略：One-vs-Rest（OvR）、One-vs-One（OvO）和宏平均/微平均。选错策略会导致结果不可比，比如类别严重不均衡时用微平均可能掩盖小类表现。
- OvR：每个类 vs 其余所有类，算
len(classes)个二分类AUC，再取平均（宏平均）或加权平均（按样本数） - OvO：每两个类之间两两配对做二分类AUC，共
C(n,2)个，适合类别数不多（≤10）的场景 - sklearn 默认用 OvR + 宏平均，但
roc_auc_score的average参数必须显式指定，否则会报ValueError: Target is multiclass but average='binary'
用 roc_auc_score 计算 OvR 宏平均 AUC
这是最常用、最稳妥的做法，要求输入是预测概率（不是标签），且 y_score 形状为 (n_samples, n_classes)。常见错误是传入 predict() 结果（整数标签），会直接报 ValueError: y_true contains only one class。
- 确保模型输出概率：用
model.predict_proba(X)，不是model.predict(X) -
y_true必须是整数编码（如 [0, 1, 2]），不能是 one-hot 或字符串 - 必须设
multi_class='ovr'和average='macro'，缺一不可
from sklearn.metrics import roc_auc_score import numpy as np <h1>假设 y_true = [0, 1, 2, 1], y_score = [[0.7,0.2,0.1], [0.1,0.6,0.3], ...]</h1><p>auc_macro_ovr = roc_auc_score(y_true, y_score, multi_class='ovr', average='macro')</p>
用 roc_auc_score 计算 OvO 微平均 AUC
OvO 对类别不平衡更鲁棒，但计算开销随类别数平方增长。微平均把所有类的TP/FP统一计数，适合关注整体判别能力的场景。注意：OvO 模式下 average='micro' 实际等价于将所有类的二分类ROC曲线合并后算AUC，不是简单加权平均。
- 必须同时指定
multi_class='ovo'和average='micro'，否则默认行为未定义 - sklearn 1.0+ 才支持
ovo模式，旧版本会报ValueError: Unknown 'multi_class' option - 若用
average=None，返回的是每个 OvO 配对的 AUC 数组，长度为C(n_classes, 2)，需自行处理
auc_micro_ovo = roc_auc_score(y_true, y_score,
multi_class='ovo',
average='micro')
手动验证 OvR 单类 AUC 是否合理
当某类AUC异常低（如接近0.5），可能是该类样本太少、概率校准差，或特征对该类区分能力弱。建议抽一个类单独验证，避免被平均值掩盖问题。
- 提取第
i类的二分类标签：y_true_binary = (y_true == i).astype(int) - 提取该类的预测置信度：
y_score_i = y_score[:, i] - 调用二分类接口：
roc_auc_score(y_true_binary, y_score_i) - 如果某个类的AUC
多分类AUC不是“算出来就行”，关键在理解你选的策略对应的实际业务含义——比如医疗诊断中误诊代价高，就得看单类AUC而非平均值；而推荐系统更关注整体排序能力，微平均更合适。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
