从Train_features预测每个选定样本的类分配概率：
probs = classifier.predict_proba(Train_features)`
选择必须确定AUC的课程。
preds = probs[:,1]
计算假阳性率，真阳性率以及可以清楚区分TP和TN的可能阈值。
fpr, tpr, threshold = metrics.roc_curve(Train_labels, preds)
roc_auc = metrics.auc(fpr, tpr)
print(max(threshold))
输出：1.97834
答案 0 :(得分：1)
之前的答案并没有真正解决您为什么阈值 > 1 的问题，而且实际上在说阈值没有任何解释时具有误导性。
从技术上讲，阈值的范围应该是 [0,1]，因为它是概率阈值。但是 scikit learn 将阈值数组中的最后一个数字加 +1 以覆盖整个范围 [0, 1]。因此，如果在您的示例中 max(threshold) = 1.97834，则阈值数组中的下一个数字应为 0.97834。
有关说明，请参阅此 sklearn github issue thread。这有点好笑，因为有人认为这是一个错误，但这正是 sklearn 的创建者决定定义阈值的方式。
最后，因为它是一个概率阈值，它确实有一个非常有用的解释。最佳临界值是灵敏度 + 特异性最大的阈值。在 sklearn learn 这可以像这样计算
fpr_p, tpr_p, thresh = roc_curve(true_labels, pred)
# maximize sensitivity + specificity, i.e. tpr + (1-fpr) or just tpr-fpr
th_optimal = thresh[np.argmax(tpr_p - fpr_p)]
答案 1 :(得分：0)
阈值没有任何形式的解释，真正重要的是ROC曲线的形状。如果存在阈值（无论其值如何），以使生成的ROC曲线位于线性函数上方（比随机猜测更好），则分类器的效果就很好。如果对于任何阈值，ROC曲线仅是（0,1）处的一个点，则您的分类器具有完美的结果（在实践中这种情况很少发生）；如果对于任何阈值，ROC曲线仅是（1,0）的一点，则分类器的结果最差。 ROC曲线的积分是衡量分类器性能的一个很好的指标，该指标被称为AUC，并且限制在0到1之间，0表示最差的性能，1表示完美的性能。