Question

我正在使用KNN构建两类分类模型

我试图用

来计算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].

然后我使用了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工作的地方无法正常工作。我虽然他们都是一样的？我在这里想念什么？

这里y_test是实际目标值，y_pred是我的预测值。

Answer 1

它们在实现和手段上有所不同：

auc：

使用梯形法则计算曲线下的面积（AUC）。给定曲线上的点，这是一项常规功能。

roc_auc_score：

根据预测得分计算接收器工作特性曲线（ROC AUC）下的面积。

这意味着Promise.resolve().then(()=> { return new Promise(resolve => { setTimeout(() => { console.log('done 1'); resolve(); }, 1000); }); }).then(() => { console.log('done 2'); });比auc更通用，尽管您可以从roc_auc_score获得相同的roc_auc_curve值。因此，auc的输入参数是指定曲线的auc和x坐标，您的错误来自于必需输入类型的不同！另外，y和x必须按升序或降序排列。

Answer 2

如此处所指出：What does AUC stand for and what is it?

AUC大部分时间用于表示AUROC，这是一个不好的做法，因为正如Marc Claesen指出的那样，AUC模棱两可（可以是任何曲线），而AUROC则不是。

对于二进制分类，您需要使用度量ROC AUC而不是Area 在曲线下。

至于为什么AUC中发生值错误是由于以下错误导致的

x既不增加也不减少：[1 1 1 ... 1 1 1]

auc度量使用trapezoid rule来近似曲线下的面积，梯形规则需要规则间隔的采样函数，即，对于函数y = exp（x ^ 2），需要输入以下内容

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应该是单调递增或单调递减，而Y只是该点上函数的输出。

sklearn分类指标auc返回ValueError

2 个答案: