sklearn中ROC曲线的AUC

Question

我试图了解ROC曲线对AUC的作用。

y_pred = clf.predict(X2)
probs = clf.predict_proba(X2)
# keep probabilities for the positive outcome only
probs = probs[:, 1]
# calculate AUC
auc = roc_auc_score(y_true, probs)

我运行probs = probs[:,1]时的AUC为0.66。但是，当我运行probs=probs[:,0]时，AUC为0.34。

我正在解决二进制类问题。

混乱矩阵如下

array([[  77,   34],
       [ 825, 1027]])

我的困惑是，为什么文档说明我们必须使用更大的类。上等阶级这个词是什么意思。如果我要交换标签，没关系吗？

从docs

中提取

  

对于二进制y_true，y_score应该是该类的分数   带有更大的标签。

Answer 1

score of the class with greater label意味着分数应针对该班级，以1（更大的索引）表示。

如果输入为多标签类型，则分数的维度应为y。请记住，在输入roc_auc_score之前，必须先将y转换为一个或多个热矢量。

当您给出proba值的第一列（代表类0的概率）时，这就是分数较低的原因。