不同的结果 roc_auc_score 和 plot_roc_curve答案

【问题标题】：Different result roc_auc_score and plot_roc_curve不同的结果 roc_auc_score 和 plot_roc_curve
【发布时间】：2020-06-22 05:05:41
【问题描述】：

我正在训练一个 RandomForestClassifier (sklearn) 来预测信用卡欺诈。然后，当我测试模型并检查 rocauc 分数时，当我使用 roc_auc_score 和 plot_roc_curve 时，我得到不同的值。 roc_auc_score 给我大约 0.89，而 plot_curve 将 AUC 计算为 0.96 为什么会这样？

标签都是 0 和 1，预测也是 0 或 1。代码：

clf = RandomForestClassifier(random_state =42)
clf.fit(X_train, y_train[target].values)
pred_test = clf.predict(X_test)
print(roc_auc_score(y_test, pred_test))
clf_disp = plot_roc_curve(clf, X_test, y_test)
plt.show()

代码的输出（roc_auc_Score 就在图表上方）。

【问题讨论】：

标签： scikit-learn random-forest roc auc

【解决方案1】：

您将预测类而不是预测概率提供给 roc_auc_score.

来自Documentation：

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值或非阈值决策值（由某些分类器上的决策函数返回）。

将您的代码更改为：


clf = RandomForestClassifier(random_state =42)
clf.fit(X_train, y_train[target].values)
y_score = clf.predict_prob(X_test)
print(roc_auc_score(y_test, y_score[:, 1]))

【讨论】：

必须使用更高级别的概率。所以应该是roc_auc_score(y_test, y_score[:,1]。
是的，你是对的。谢谢，更新了答案。

【解决方案2】：

ROC 曲线和 roc_auc_score 将预测概率作为输入，但正如我从您的代码中看到的那样，您提供的是预测标签。你需要解决这个问题。

【讨论】：