问题描述
我正在尝试为验证集上的拟合模型确定 roc_auc_score。
我看到有关函数输入的一些相互矛盾的信息。
"y_score 类似数组的形状 (n_samples,) 或 (n_samples,n_classes) 目标分数。在二元和多标签情况下，这些可以是概率估计或非阈值决策值（由某些分类器上的 decision_function 返回）。在多类情况下，这些必须是总和为 1 的概率估计。二元情况需要一个形状 (n_samples,)，并且分数必须是具有更大标签的类的分数。多类和多标签情况需要一个形状 (n_samples,n_classes)。在多类情况下，类分数的顺序必须对应于标签的顺序（如果提供），否则对应于 y_true 中标签的数字或字典顺序。"
不确定这到底需要什么：1) 对测试集中实际 y 值的预测概率或 2) 对测试集中实际 y 值的类别预测
我一直在搜索，在二元分类情况下（我的兴趣），有些人使用预测概率，而其他人使用实际预测（0 或 1）。换句话说：
适合模型：
model.fit(X_train,y_train)
使用：
y_preds = model.predict(X_test)
或：
y_probas = model.predict_proba(X_test)
我发现：
roc_auc_score(y_test,y_preds)
和：
roc_auc_score(y_test,y_probas[:,1]) # probabilites for the 1 class
产生非常不同的结果。
哪个是正确的？
我还发现要实际绘制 ROC 曲线，我需要使用概率。
感谢任何指导。
解决方法
model.predict(...) 将为您提供每个观察的预测标签。也就是说，它将返回一个由 1 和 0 组成的数组。
model.predict_proba(...)[:,1] 将为您提供每个观察值等于 1 的概率。也就是说，它将返回一个由 0 到 1 之间的数字组成的数组，包括 0 和 1。
ROC 曲线的计算方法是采用每个可能的概率，将其用作阈值并计算结果的真阳性率和假阳性率。因此，如果您将 model.predict(...) 传递给 metrics.roc_auc_score()，您正在计算仅使用两个阈值（一或零）的 ROC 曲线的 AUC。 这是不正确的，因为这些不是您模型的预测概率。
要获得模型的 AUC，您需要将预测概率传递给 roc_auc_score(...)：
from sklearn.metrics import roc_auc_score
roc_auc_score(y_test,model.predict_proba(X_test)[:,1])