Sklearn分类度量AUC返回值

Question

我正在使用KNN

建立两个类别的分类模型

我尝试用

计算AUC_SCORE

from sklearn.metrics import auc
auc(y_test, y_pred)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-183-980dc3c4e3d7> in <module>
----> 1 auc(y_test, y_pred)
~/.local/lib/python3.6/site-packages/sklearn/metrics/ranking.py in auc(x, y, reorder)
    117             else:
    118                 raise ValueError("x is neither increasing nor decreasing "
--> 119                                  ": {}.".format(x))
    120 
    121     area = direction * np.trapz(y, x)
ValueError: x is neither increasing nor decreasing : [1 1 1 ... 1 1 1].

然后我使用roc_auc_score

from sklearn.metrics import roc_auc_score
roc_auc_score(y_test, y_pred)
0.5118361429056588

为什么auc在roc_auc_score正常工作的位置不起作用。我俩都一样吗？我在这里缺少什么？

这里y_test是实际目标值，y_pred是我的预测值。

Answer 1

它们在实现和含义上不同：

auc：

使用梯形规则在曲线（AUC）下进行计算区域。这是一个通用函数，曲线上给定点。

roc_auc_score：

从预测分数的接收器操作特征曲线（ROC AUC）下的计算区域。

这意味着auc比roc_auc_score更通用，尽管您可以从auc获得相同的roc_auc_curve值。因此，auc的输入参数是指定曲线的x和y坐标，您的错误来自必要输入类型的差异！另外，x和y必须处于增加或减少的顺序。

Answer 2

• 如下所示：AUC代表什么？

AUC大多数时候都用来表示AUROC，这是一种不良的做法，因为正如马克·克莱森（Marc Claesen）指出的那样，AUC是模棱两可的（可能是任何曲线），而AUROC不是。

• 对于二进制分类，您需要使用公制的ROC AUC而不是区域在曲线下。

至于为什么AUC中发生的值误差是由于以下错误

引起的

X既不增加也不减少：[1 1 1 ... 1 1 1]

AUC度量使用梯形规则来近似曲线下的面积和梯形规则，需要定期的间隔采样函数，即需要输入，如y = exp（x^2）

X：0.0、0.1、0.2、0.3、0.4

y：1.00000 1.01005 1.04081 1.09417 1.17351

因此，x应该是单调增加或单调减小，而y只是该点函数的输出。

Answer 3

简短的答案是：

对于AUC，您需要对输入数组进行排序