思路
为最终比较划分好测试集和不存在边集【全集1-train-test-对角元】，根据集合中非零元【即边的数目】构建比较矩阵test_rd【比较n次，随机生成n个值右取整作为抽取的要比较的边】，下一步对test的邻接矩阵赋值，相似性指标给予一个分值存入test_pre，然后依据判断条件【test==1】只取其中非零边【为什么？降低内存？】，对应位置的test_pre存入test_data，再把最初的test_rd构建成稀疏矩阵【？为什么不直接比】，最后test_rd 和 non_rd比大小，分别给n',n''计算AUC
triu
triu Extract upper triangular part.提取上三角
function [ auc ] = CalcAUC( train, test, sim, n )
%% 计算AUC，输入计算的相似度矩阵
sim = triu(sim - sim.*train);%只保留上三角，因为同一条边取一次就足够了对于CN来说
对应位置元素相乘，结果为训练集的相似度矩阵，这个不参与比较，因此要从sim中除掉
% 只保留测试集和不存在边集合中的边的相似度(自环除外)
non = 1 - train - test - eye(max(size(train,1),size(train,2)));
%1代表全集，全连通图，减去边集，减去对角元，剩下的为不存在边集
生成non【不存在边集】
test = triu(test);
non = triu(non);
% 分别取测试集和不存在边集合的上三角矩阵，用以取出他们对应的相似度分值？？【点乘sim,即后边的test_pre = sim .* test】
test_num = nnz(test);
non_num = nnz(non);
test_rd = ceil( test_num * rand( 1, n));
n=5为例
因为testnum=1，而且向右取整
如果testnum=5时
% ceil是取大于等于的最小整数，n为抽样比较的次数
non_rd = ceil( non_num * rand( 1, n));
这里开始不太懂
test_pre = sim .* test;%具体某条边乘他的相似性作为预测分值
non_pre = sim .* non;%具体某条不存在边乘他的相似性作为预测分值
这里不懂
test_data = test_pre( test == 1 )'; %？？？？【将test中非零元对应位置的test_pre值取出存入test_data】
% 行向量，test 集合存在的边的预测值
non_data = non_pre( non == 1 )';
% 行向量，nonexist集合存在的边的预测值
test_rd = test_data( test_rd );
non_rd = non_data( non_rd );
clear test_data non_data;
n1 = length( find(test_rd > non_rd) );
n2 = length( find(test_rd == non_rd));
第二个元素相等
auc = ( n1 + 0.5*n2 ) / n;
end
如果觉得《auc计算 matlab代码 AUC计算》对你有帮助，请点赞、收藏，并留下你的观点哦！
