roc_auc_score#
- sklearn.metrics.roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)#
计算从预测分数得到的受试者工作特征曲线（ROC AUC）下的面积。
注意：此实现可用于二分类、多分类和多标签分类，但有一些限制（见参数）。
更多信息请参阅 用户指南 。
- Parameters:
- y_true形状为 (n_samples,) 或 (n_samples, n_classes) 的类数组
真实标签或二进制标签指示器。二分类和多分类情况下期望标签形状为 (n_samples,)，而多标签情况下期望二进制标签指示器形状为 (n_samples, n_classes)。
- y_score形状为 (n_samples,) 或 (n_samples, n_classes) 的类数组
目标分数。
在二分类情况下，它对应于形状为
(n_samples,)的数组。可以提供概率估计和非阈值决策值。概率估计对应于 具有更大标签的类别的概率 ，即estimator.classes_[1]，因此estimator.predict_proba(X, y)[:, 1]。决策值对应于estimator.decision_function(X, y)的输出。更多信息请参阅 用户指南 ；在多分类情况下，它对应于
predict_proba方法提供的形状为(n_samples, n_classes)的概率估计数组。概率估计 必须 在可能的类别中求和为 1。此外，类分数的顺序必须对应于labels的顺序（如果提供），或者对应于y_true中标签的数值或字典顺序。更多信息请参阅 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。概率估计由predict_proba方法提供，非阈值决策值由decision_function方法提供。概率估计对应于分类器每个输出中 具有更大标签的类别的概率 。更多信息请参阅 用户指南 。
- average{‘micro’, ‘macro’, ‘samples’, ‘weighted’} 或 None, 默认=’macro’
如果为
None，则返回每个类别的分数。否则，这决定了对数据执行的平均类型。注意：多分类 ROC AUC 目前仅处理 ‘macro’ 和 ‘weighted’ 平均。对于多分类目标，average=None仅在multi_class='ovr'时实现，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。这不考虑标签不平衡。
'weighted':计算每个标签的指标，并根据支持度（每个标签的真实实例数）找到它们的加权平均值。
'samples':计算每个实例的指标，并找到它们的平均值。
当
y_true为二进制时将被忽略。- sample_weight形状为 (n_samples,) 的类数组, 默认=None
样本权重。
- max_fprfloat > 0 且 <= 1, 默认=None
如果不为
None，则返回范围 [0, max_fpr] 上的标准化部分 AUC [2]。对于多分类情况，max_fpr应为None或1.0，因为目前不支持多分类的部分 AUC 计算。- multi_class{‘raise’, ‘ovr’, ‘ovo’}, 默认=’raise’
仅用于多分类目标。确定使用的配置类型。默认值引发错误，因此必须显式传递
'ovr'或'ovo'。'ovr':表示一对多。计算每个类别对其余类别的 AUC [3] [4]。这将以与多标签情况相同的方式处理多分类情况。即使
average == 'macro'，对类别不平衡也很敏感，因为类别不平衡会影响每个 ‘rest’ 组合的组成。'ovo':表示一对一。计算所有可能的类别对组合的平均 AUC [5]。当
average == 'macro'时，对类别不平衡不敏感。
- labels形状为 (n_classes,) 的类数组, 默认=None
仅用于多分类目标。索引
y_score中类别的标签列表。如果为None，则使用y_true中标签的数值或字典顺序。
- Returns:
- aucfloat
曲线下的面积得分。
See also
average_precision_score精度-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。
Notes
基尼系数是二分类器排序能力的总结度量。它使用 ROC 下的面积表示如下：
G = 2 * AUC - 1
其中 G 是基尼系数，AUC 是 ROC-AUC 得分。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。
References
[3]Provost, F., Domingos, P. (2000). Well-trained PETs: Improving probability estimation trees (Section 6.2), CeDER Working Paper #IS-00-04, Stern School of Business, New York University.
Examples
二分类情况：
>>> 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]) 0.99... >>> roc_auc_score(y, clf.decision_function(X)) 0.99...
多分类情况：
>>> 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') 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) >>> # 获取形状为 (n_samples, n_classes) 的概率数组列表 >>> y_pred = clf.predict_proba(X) >>> # 提取每个输出的正列 >>> 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...])
