sklearn中ROC曲线的AUC

Question

我试图了解 ROC 曲线如何对 AUC 起作用。

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)

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

我正在解决一个二进制类问题。

混淆矩阵如下

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

我的困惑在于，为什么文档指出我们必须使用更大的类。 更高等级这个词是什么意思。 如果我要交换标签，那没关系吗？

从文档中提取

对于二进制 y_true，y_score 应该是具有更大标签的类的分数。

Answer 1

score of the class with greater label的分数意味着分数应该是该类的，表示为 1（更大的索引）。

如果输入是多标签类型，则分数的维度应为 y。 请记住，在输入roc_auc_score之前， y 必须转换为一个热向量或多热向量。

这就是分数较低的原因，当您给出了proba值的第一列时，它代表了 0 类的概率。