我正在尝试使用以下方法使用sklearn.metrics.roc_auc_score计算ROC曲线下的面积:
roc_auc = sklearn.metrics.roc_auc_score(actual, predicted)
其中，actual是一个具有真值分类标签的二进制向量，predicted是一个具有分类标签的二进制向量，我的分类器已经预测了。
然而，我得到的roc_auc的值与准确度值(正确预测标签的样本的比例)完全相似。这不是一次性的事情。我在不同的参数值上尝试我的分类器，每次我都得到相同的结果。
我在这里做错了什么?
这是因为您传递的是分类器的决策，而不是它计算的分数。最近在SO上有一个关于这个的问题，并向scikit-learn提出了一个相关的pull请求。
ROC曲线的点(以及它下面的面积)是当分类阈值变化时，您研究精度-召回率权衡。默认情况下，在二元分类任务中，如果分类器的分数是> 0.5，那么预测class1，否则预测class0。当你改变阈值时，你会得到这样一条曲线。曲线越高(它下面的面积越大)，分类器就越好。然而，要获得这条曲线，您需要访问分类器的分数，而不是它的决策。否则，无论决策阈值是什么，决策保持不变，并且AUC退化到精度。
您使用的是哪个分类器?