best_score_的gridsearch cv的AUC分数与gridsearch cv的最佳模型的auc_roc_score不同答案

【问题标题】：AUC score of gridsearch cv of best_score_ is different from auc_roc_score from best model of gridsearch cvbest_score_的gridsearch cv的AUC分数与gridsearch cv的最佳模型的auc_roc_score不同
【发布时间】：2019-08-26 12:21:55
【问题描述】：

我对逻辑回归进行了网格搜索，并将评分设置为“roc_auc”。 grid_clf1.best_score_ 给了我 0.7557 的 auc。之后，我想绘制最佳模型的 ROC 曲线。我看到的 ROC 曲线的 AUC 为 0.50 我完全不明白。

我查看了预测的概率，发现它们都是 0.0 或 1.0。因此，我认为这里出了点问题，但我找不到它是什么。

我的网格搜索cv代码如下：

clf1 = Pipeline([('RS', RobustScaler()), ('LR', 
     LogisticRegression(random_state=1, solver='saga'))])

params = {'LR__C': np.logspace(-3, 0, 5),
      'LR__penalty': ['l1']}

grid_clf1 = GridSearchCV(clf1, params, scoring='roc_auc', cv = 5, 
      n_jobs=-1)

grid_clf1.fit(X_train, y_train)
grid_clf1.best_estimator_
grid_clf1.best_score_

因此，最佳模型的 AUC 为 0.7557。然后，如果我自己计算模型的 AUC：

y_pred_proba = grid_clf1.best_estimator_.predict_probas(X_test)[::,1]

print(roc_auc_score(y_test, y_pred_proba))

这给了我 0.50 的 AUC。

【问题讨论】：

标签： python scikit-learn logistic-regression gridsearchcv

【解决方案1】：

您的示例代码似乎有两个问题：

您比较不同数据集上的 ROC_AUC 分数。拟合时使用训练集，调用roc_auc_score时使用测试集
使用交叉验证进行评分与简单的roc_auc_score 函数调用略有不同。可以扩展为np.mean(cross_val_score(...))

因此，如果考虑到这一点，您将获得相同的得分值。您可以使用the colab notebook 作为参考。

【讨论】：

感谢您的回答！ google colab notebook 说得很清楚。我还有一个问题：cv结果和测试集上的结果相差这么大是正常的吗？还是我应该做更多的折叠以使它们彼此靠近？
可能您的模型过度拟合，因此您应该预处理您的数据或尝试其他模型。
我刚刚发现我对训练数据进行了归一化，而我没有对测试数据进行归一化。无论如何，谢谢！