В предоставленном коде отсутствуют конкретные операции для вычисления предсказаний и метрики ROC AUC. Давайте добавим необходимые шаги, чтобы исправить код. Предположим, что у вас уже есть модель (model) и тестовые данные (X_test, y_test). Мы будем использовать библиотеку sklearn для вычисления метрики ROC AUC.

Вот исправленный код:

# Импортируем необходимые библиотеки
from sklearn.metrics import roc_auc_score
import numpy as np

# Предскажите вероятности на тестовых данных
# Предположим, что 'model' - это ваша обученная модель
prediction = model.predict_proba(X_test)

# Для ROC AUC в многоклассовой классификации используем average='macro'
score = roc_auc_score(y_test, prediction, multi_class='ovr')

# Выводим метрику на экран
print('На тестовых данных', score)

Пояснения:

• Первое выражение model.predict_proba(X_test) генерирует вероятности для каждой из классов на тестовых данных.
• Функция roc_auc_score принимает истинные метки и предсказанные вероятности, и мы указываем multi_class='ovr' для многоклассовой настройки.
• Убедитесь, что у вас действительно есть обученная модель и соответствующие тестовые данные.