得分='roc_auc' 的cross_val_score和roc_auc_score有什么区别？

Question

我对cross_val_score评分指标"roc_auc"和我可以直接导入并调用的roc_auc_score之间的区别感到困惑。

文件(http://scikit-learn.org/stable/modules/model_evaluation.html#scoring-参数）表示指定scoring='roc_auc'将使用sklearn.metrics.roc_auc_score。然而，当我实现GridSearchCV或scoring='roc_auc'的cross_val_score时，我收到的数字与直接调用roc_auc_score时截然不同。

以下是我的代码来帮助演示我所看到的：

# score the model using cross_val_score
rf = RandomForestClassifier(n_estimators=150,
                            min_samples_leaf=4,
                            min_samples_split=3,
                            n_jobs=-1)
scores = cross_val_score(rf, X, y, cv=3, scoring='roc_auc')
print scores
array([ 0.9649023 ,  0.96242235,  0.9503313 ])
# do a train_test_split, fit the model, and score with roc_auc_score
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)
rf.fit(X_train, y_train)
print roc_auc_score(y_test, rf.predict(X_test))
0.84634039111363313 # quite a bit different than the scores above!

我觉得我错过了一些非常简单的东西——很可能是我在实现/解释其中一个评分指标时犯了一个错误。

有人能解释一下这两个评分指标之间存在差异的原因吗？

Answer 1

这是因为您提供了预测的y，而不是roc_auc_score中的概率。此函数获取分数，而不是分类标签。尝试这样做：

print roc_auc_score(y_test, rf.predict_proba(X_test)[:,1])

它应该给出与cross_val_score之前的结果类似的结果。请参阅这篇文章了解更多信息。

Answer 2

我刚刚在这里遇到了类似的问题。关键的收获是，cross_val_score使用带有默认参数的KFold策略进行训练测试拆分，这意味着拆分为连续的块，而不是混洗。CCD_ 3进行混洗分割。

解决方案是明确拆分策略并指定混洗，如下所示：

shuffle = cross_validation.KFold(len(X), n_folds=3, shuffle=True)
scores = cross_val_score(rf, X, y, cv=shuffle, scoring='roc_auc')

Answer 3

我自己遇到了这个问题，经过一番挖掘，找到了答案。为爱而分享。

实际上有两个半问题。

1. 你需要使用相同的Kfold来比较分数（训练/测试的相同部分）
2. 您需要将概率输入到roc_auc_score中（使用predict_proba()方法）。但是，有些估计器（如SVC）没有predict_proba()方法，然后使用decision_function()方法

下面是一个完整的例子：

# Let's use the Digit dataset
digits = load_digits(n_class=4)
X,y = digits.data, digits.target
y[y==2] = 0 # Increase problem dificulty
y[y==3] = 1 # even more

使用两个估计

LR = LogisticRegression()
SVM = LinearSVC()

拆分列车/测试集。但将其保留为一个可以重用的变量。

fourfold = StratifiedKFold(n_splits=4, random_state=4)

将其输入GridSearchCV并保存分数。请注意，我们正在通过fourfold。

gs = GridSearchCV(LR, param_grid={}, cv=fourfold, scoring='roc_auc', return_train_score=True)
gs.fit(X,y)
gs_scores = np.array([gs.cv_results_[k][0] for k in gskeys])

将其输入cross_val_score并保存分数。

 cv_scores = cross_val_score(LR, X, y, cv=fourfold, scoring='roc_auc')

有时，你想循环计算几个不同的分数，所以这就是你所使用的。

loop_scores = list()
for idx_train, idx_test in fourfold.split(X, y):
  X_train, y_train, X_test, y_test = X[idx_train], y[idx_train], X[idx_test], y[idx_test]
  LR.fit(X_train, y_train)
  y_prob = LR.predict_proba(X_test)
  auc = roc_auc_score(y_test, y_prob[:,1])
  loop_scores.append(auc)

我们的总分相同吗？

print [((a==b) and (b==c)) for a,b,c in zip(gs_scores,cv_scores,loop_scores)]
>>> [True, True, True, True]

---

但是，有时我们的估计器没有predict_proba()方法。因此，根据这个例子，我们这样做：

for idx_train, idx_test in fourfold.split(X, y):
  X_train, y_train, X_test, y_test = X[idx_train], y[idx_train], X[idx_test], y[idx_test]
  SVM.fit(X_train, y_train)
  y_prob = SVM.decision_function(X_test)
  prob_pos = (y_prob - y_prob.min()) / (y_prob.max() - y_prob.min())
  auc = roc_auc_score(y_test, prob_pos)