python - sklearn中ROC曲线的AUC

我正在尝试了解ROC曲线如何用于AUC。

y_pred = clf.predict(X2)
probs = clf.predict_proba(X2)
# keep probabilities for the positive outcome only
probs = probs[:, 1]
# calculate AUC
auc = roc_auc_score(y_true, probs)

当我运行probs = probs[:,1]时，我的AUC为0.66。但是，当我运行probs=probs[:,0]时，我的AUC为0.34。

我正在解决一个二进制类问题。

混淆矩阵如下

array([[  77,   34],
       [ 825, 1027]])

我的困惑是，为什么文档说明我们必须使用更大的类。上等阶级这个词是什么意思。如果我要交换标签，没关系吗？

从docs中提取


  对于二进制y_true，y_score应该是该类的分数
  具有更大的标签。

最佳答案

score of the class with greater label表示分数应针对该班级，以1（更大的索引）表示。

如果输入是多标签类型，则分数的维度应为y。请记住，在输入roc_auc_score之前，必须先将y转换为一个或多个热向量。

这就是当您给出proba值的第一列（代表类0的概率）时分数较低的原因。

关于python - sklearn中ROC曲线的AUC，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/55701697/