我正在尝试使用sklearn.metrics.roc_auc_score使用以下方法计算ROC曲线下的面积：
roc_auc = sklearn.metrics.roc_auc_score(actual, predicted)
其中actual是带有地面实况分类标签的二元向量，predicted是带分类标签的二元向量，我的分类器已经预测过。
但是，我得到的roc_auc的值与准确度值（标签正确预测的样本比例）非常相似。这不是一次性的事情。我尝试使用各种参数值的分类器，每次得到相同的结果。
我在这里做错了什么？
答案 0 :(得分：13)
这是因为您传递了分类器的决定而不是它计算的分数。有question on this on SO recently和scikit-learn的相关拉取请求。
ROC曲线（及其下面的区域）的点是您在分类阈值变化时研究精确召回权衡。默认情况下，在二进制分类任务中，如果分类器的分数为> 0.5，则会预测class1，否则会预测class0。当您更改该阈值时，会得到类似this的曲线。曲线越高（其下面的区域越多），分类器越好。但是，要获得此曲线，您需要访问分类器的分数，而不是其决策。否则无论决策阈值如何，决策都保持不变，AUC退化为准确性。
您使用的是哪种分类器？