嘿伙计们，我目前正在阅读有关 AUC-ROC 的信息，并且我已经了解了二进制情况，并且我认为我了解了多分类情况。现在我对如何将其推广到多标签情况有点困惑，我找不到任何关于此事的直观解释性文字。

我想通过一个例子来澄清我的直觉是否正确，让我们假设我们有一些包含三个类（c1、c2、c3）的场景。

让我们从多分类开始：

当我们考虑多分类设置时，我们分别查看每个标签。

因此，如果我们正在查看标签 c1 的 ROC，我们可以将 c2 和 c3 捆绑在一起作为“底片”。

即，当我们有一个属于 c1 的样本时，我们只看 c1 的预测分数，并构建正样本的预测分数分布。然后我们查看属于 c2 和 c3 的样本，即聚集在一起的负样本，我们查看它们的预测分数并构建这些分数的分布。这会导致如下所示：

基于这些分布，我们可以根据一些阈值获得 TPR 和 FPR，并计算 c1 的 ROC。然后我们可以对 c2 和 c3 做同样的事情，如果我们愿意，我们可以对三个 ROC 曲线进行平均，以获得问题的总分。

无论如何，这是我的直觉。

但是多标签场景呢？

这是事情让我感到困惑的时候。我们是否以完全相同的方式计算它？我知道我们仍然单独计算每个班级的 ROC，但我不确定如何考虑它。假设我们从类 c1 的角度来看它。对于每个被视为 c1 的样本（也可能是 c2 和 c3），我们将模型对 c1 的预测分数添加到分布中。但是如果我们遇到例如一个被认为是 c2 AND c3 的样本（这在多类场景中不会发生），我们是否将其视为两个负样本并在分布中添加两个预测分数？

我在这里思考正确的轨道吗？