java 计算auc_roc_auc_score（）和auc（）的结果不同

AUC并不总是ROC曲线下的面积 . 曲线下面积是 some 曲线下的(抽象)区域，因此它比AUROC更通用 . 对于不 balancer 类，最好找到精确回忆曲线的AUC .

请参阅 roc_auc_score 的sklearn源：

def roc_auc_score(y_true, y_score, average="macro", sample_weight=None):

# <...> docstring <...>

def _binary_roc_auc_score(y_true, y_score, sample_weight=None):

# <...> bla-bla <...>

fpr, tpr, tresholds = roc_curve(y_true, y_score,

sample_weight=sample_weight)

return auc(fpr, tpr, reorder=True)

return _average_binary_score(

_binary_roc_auc_score, y_true, y_score, average,

sample_weight=sample_weight)

正如您所看到的，这首先获得roc曲线，然后调用 auc() 来获取该区域 .

我想你的问题是 predict_proba() 电话 . 对于正常 predict() ，输出始终相同：

import numpy as np

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import roc_curve, auc, roc_auc_score

est = LogisticRegression(class_weight='auto')

X = np.random.rand(10, 2)

y = np.random.randint(2, size=10)

est.fit(X, y)

false_positive_rate, true_positive_rate, thresholds = roc_curve(y, est.predict(X))

print auc(false_positive_rate, true_positive_rate)

# 0.857142857143

print roc_auc_score(y, est.predict(X))

# 0.857142857143

如果你为此更改了上述内容，有时会得到不同的输出：

false_positive_rate, true_positive_rate, thresholds = roc_curve(y, est.predict_proba(X)[:,1])

# may differ

print auc(false_positive_rate, true_positive_rate)

print roc_auc_score(y, est.predict(X))