使用sklearn计算分类问题的auc

sklearn.metrics.roc_auc_score()的使用方法

sklearn.metrics.roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)[source])

输入参数：

y_true:数据的真实标签。 二分类问题时，该参数维度为(n_samples，1)；多分类问题时，该参数维度为(n_samples, n_classes)，其中n_classes为类别数量。
**y_score：目标分数，即数据的预测标签分数。**二分类问题时，该参数维度为(n_samples，1)，分数是样本属于具有较大标签的类的分数；多分类问题时，该参数维度为(n_samples, n_classes)，score的顺序必须跟label的顺序相同。
**average：用于多分类。**取值为‘macro’、‘weighted’、‘micro’、‘samples’或者None。’ macro ‘：计算每个标签的指标，并找到它们的未加权平均值。不考虑样本类别是否平衡。’ weighted '：计算每个标签的指标，并找到它们的平均值，对(每个标签的真实实例的数量)进行加权。
**sample_weight：样本权重。**该参数维度为(n_samples，1)，默认为None。
**max_fpr：取值为(0,1]，默认为None。**当取值非None时，返回在[0,max_fpr]范围内的标准化部分AUC。对于多分类问题，max_fpr必须为None或者1.0.
**multi_class：仅用于多分类问题，确定要使用的配置类型。**取值为‘raise’, ‘ovr’, ‘ovo’。默认为raise，默认值会引发错误。‘ovr’：对类别不平衡比较敏感，就是把一类当做正样本，其他类别都是负样本； ‘ovo’：对类别不平衡不敏感，将某一个类别A跟其他类组合，以A为正例，跟他组合的类别为负例，计算auc，最后取平均。即一对一，比如其他类别有B、C、D，则有AvsB AvsC AvsD，计算得到的auc取平均值作为最终结果。
**labels：仅用于多分类问题。为y_score中的类别的标签列表。**该参数维度为(n_classes,1)。若取值为None，则使用y_true中标签的数字顺序或字典顺序。

输出：

**auc分数：即曲线下积分分数。**取值为float类型。