ROC AUC得分#
- sklearn.metrics.roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)[source]#
根据预测分数计算受试者工作特征曲线下面积 (ROC AUC)。
注意：此实现可用于二元、多元和多标签分类，但有一些限制适用（参见参数）。
在 用户指南 中了解更多信息。
- 参数：
- y_true形状为 (n_samples,) 或 (n_samples, n_classes) 的类数组
真实标签或二元标签指示器。二元和多类别情况下的标签形状为 (n_samples,)，而多标签情况下的标签形状为 (n_samples, n_classes)。
- y_score形状为 (n_samples,) 或 (n_samples, n_classes) 的类数组
目标分数。
在二元情况下，它对应于形状为
(n_samples,)的数组。可以提供概率估计值和非阈值决策值。概率估计值对应于**标签较大的类的概率**，即estimator.classes_[1]，因此为estimator.predict_proba(X, y)[:, 1]。决策值对应于estimator.decision_function(X, y)的输出。更多信息请参见 用户指南；在多类别情况下，它对应于形状为
(n_samples, n_classes)的数组，其中包含由predict_proba方法提供的概率估计值。概率估计值**必须**在所有可能的类别中加起来等于 1。此外，类别分数的顺序必须与提供的labels的顺序对应，否则必须与y_true中标签的数值或词典顺序对应。更多信息请参见 用户指南；在多标签情况下，它对应于形状为
(n_samples, n_classes)的数组。概率估计值由predict_proba方法提供，非阈值决策值由decision_function方法提供。概率估计值对应于分类器每个输出的**标签较大的类的概率**。更多信息请参见 用户指南。
- average{'micro'，'macro'，'samples'，'weighted'} 或 None，默认为 'macro'
如果为
None，则返回每个类别的分数。否则，这将确定对数据执行的平均类型。注意：多类别 ROC AUC 目前仅处理 'macro' 和 'weighted' 平均值。对于多类别目标，average=None仅在multi_class='ovr'时实现，而average='micro'仅在multi_class='ovr'时实现。'micro':通过将标签指示矩阵的每个元素都视为一个标签来全局计算指标。
'macro':计算每个标签的指标，并找到它们的未加权平均值。这不会考虑标签不平衡。
'weighted':计算每个标签的指标，并找到它们的平均值，并根据支持度（每个标签的真实实例数）进行加权。
'samples':计算每个实例的指标，并找到它们的平均值。
当
y_true为二元时将被忽略。- sample_weight形状为 (n_samples,) 的类数组，默认为 None
样本权重。
- max_fprfloat > 0 且 <= 1，默认为 None
如果不是
None，则返回 [0, max_fpr] 范围内的标准化部分 AUC [2]。对于多类别情况，max_fpr应该等于None或1.0，因为目前不支持多类别的 AUC ROC 部分计算。- multi_class{'raise'，'ovr'，'ovo'}，默认为 'raise'
仅用于多类别目标。确定要使用的配置类型。默认值会引发错误，因此必须显式传递 'ovr' 或 'ovo'。
- labels形状为 (n_classes,) 的类数组，默认为 None
仅用于多类别目标。
y_score中索引类别的标签列表。如果为None，则使用y_true中标签的数值或词典顺序。
- 返回:
- auc浮点数
曲线下面积得分。
另请参见
average_precision_score精确召回曲线下的面积。
roc_curve计算受试者工作特征 (ROC) 曲线。
RocCurveDisplay.from_estimator给定估计器和一些数据，绘制受试者工作特征 (ROC) 曲线。
RocCurveDisplay.from_predictions给定真实值和预测值，绘制受试者工作特征 (ROC) 曲线。
备注
基尼系数是衡量二元分类器排序能力的综合指标。它使用 ROC 下的面积表示如下
G = 2 * AUC - 1
其中 G 为基尼系数，AUC 为 ROC-AUC 分数。这种归一化将确保随机猜测的预期得分为 0，并且其上限为 1。
参考文献
[1][3]Provost, F.，Domingos, P. (2000)。训练有素的 PET：改进概率估计树（第 6.2 节），CeDER 工作论文 #IS-00-04，纽约大学斯特恩商学院。
[6]示例
二元情况
>>> from sklearn.datasets import load_breast_cancer >>> from sklearn.linear_model import LogisticRegression >>> from sklearn.metrics import roc_auc_score >>> X, y = load_breast_cancer(return_X_y=True) >>> clf = LogisticRegression(solver="liblinear", random_state=0).fit(X, y) >>> roc_auc_score(y, clf.predict_proba(X)[:, 1]) np.float64(0.99...) >>> roc_auc_score(y, clf.decision_function(X)) np.float64(0.99...)
多类别情况
>>> from sklearn.datasets import load_iris >>> X, y = load_iris(return_X_y=True) >>> clf = LogisticRegression(solver="liblinear").fit(X, y) >>> roc_auc_score(y, clf.predict_proba(X), multi_class='ovr') np.float64(0.99...)
多标签情况
>>> import numpy as np >>> from sklearn.datasets import make_multilabel_classification >>> from sklearn.multioutput import MultiOutputClassifier >>> X, y = make_multilabel_classification(random_state=0) >>> clf = MultiOutputClassifier(clf).fit(X, y) >>> # get a list of n_output containing probability arrays of shape >>> # (n_samples, n_classes) >>> y_pred = clf.predict_proba(X) >>> # extract the positive columns for each output >>> y_pred = np.transpose([pred[:, 1] for pred in y_pred]) >>> roc_auc_score(y, y_pred, average=None) array([0.82..., 0.86..., 0.94..., 0.85... , 0.94...]) >>> from sklearn.linear_model import RidgeClassifierCV >>> clf = RidgeClassifierCV().fit(X, y) >>> roc_auc_score(y, clf.decision_function(X), average=None) array([0.81..., 0.84... , 0.93..., 0.87..., 0.94...])
