参数说明

from sklearn.metrics import roc_auc_score

roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None,
 max_fpr=None, multi_class='raise', labels=None)
 计算曲线ROC的面积

 - Parameters(参数)
    y_true : array-like of shape (n_samples,) or (n_samples, n_classes)
    真实数据
    二分类和多分类需要带有shape (n_samples)的标签，而多标签情况需要带有shape (n_samples, n_classes)
    的二进制标签。

    y_score : array-like of shape (n_samples,) or (n_samples, n_classes)
    预测结果数据
    1.在二分类的情况下，它对应于形状数组（n_samples，），可以提供概率估计和非阈值决策值
    概率估计值对应于具有更大标签的类别的概率，即estimator.classes_ [1]，
    因此是estimator.predict_proba（X，y）[:, 1]。
    决策值对应于estimator.decision_function（X，y）的输出。
    2.在多分类情况下，它对应于由predict_proba方法提供的概率估计的形状数组（n_samples，n_classes）
    每个sample概率估计值为1；此外，每一个sample的概率估计值的顺序必须与y_true中标签的顺序相对应。
    3.在多标签情况下，它对应于一个形状数组（n_samples，n_classes）。
    概率估计由predict_proba方法提供，非阈值决策值由decision_function方法提供。

    average : {‘micro’, ‘macro’, ‘samples’, ‘weighted’} or None, default=’macro’
    当y_true是二进制时，这个参数将被忽略
    'macro':简单地计算 binary metrics （二分指标）的平均值，赋予每个类别相同的权重
    'micro':给每个 sample-class pair （样本类对）对 overall metric （总体指数）
    （sample-class 权重的结果除外） 等同的贡献。除了对每个类别的 metric 进行求和之外，这
    个总和构成每个类别度量的 dividends （除数）和 divisors （除数）计算一个整体商。 在
    multilabel settings （多标签设置）中，Micro-averaging 可能是优先选择的，包括要忽略
    majority class （多数类）的 multiclass classification （多类分类）
    'weighted': 通过计算其在真实数据样本中的存在来对每个类的 score 进行加权的 binary metrics （二分指标）
    的平均值来计算类不平衡。
    'samples':仅适用于多标签问题。它不计算每个类别的 measure，而是计算评估数据中的每个样本
    的真实和预测类别的 metric （指标），并返回 (sample_weight-weighted) 加权平均。
    sample_weight :array-like of shape (n_samples,), default=None
    样品权重

    sample_weight : array-like of shape (n_samples,), default=None
    如果不为None，则返回范围为[0，max_fpr]的标准化部分AUC
    对于多分类情况，max_fpr应该等于None或1.0

    multi_class:{‘raise’, ‘ovr’, ‘ovo’}, default=’raise’
    仅用于多分类，默认值会引发错误，因此必须显式传递'ovr'或'ovo'
    'ovr':一对多
    'ovo':一对一
    这两个概念想了解的参考为2.逻辑回归部分

    labels : array-like of shape (n_classes,), default=None    
    仅用于多分类，标签列表索引了y_score中的类，如果为None，则使用y_true中标签的数字或字典顺序

 - 返回
    AUC值

获取auc的方式

二分类：

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)

from sklearn.metrics import roc_auc_score
#方式一
roc_auc_score(y, clf.predict_proba(X)[:, 1])
#方式二
roc_auc_score(y, clf.decision_function(X))

多分类：

from sklearn.datasets import load_iris

X, y = load_iris(return_X_y=True)
clf = LogisticRegression(solver="liblinear").fit(X, y)
clf.predict_proba(X)   

from sklearn.metrics import roc_auc_score
#multi_class='ovr'
roc_auc_score(y, clf.predict_proba(X), multi_class='ovr')

https://blog.csdn.net/weixin_46649052/article/details/112384745

predict和predict_proba带入roc_auc_score结果不同

我们都知道AUC表示ROC曲线下的面积，下面两种计算格式（二分类）：

# 带入预测的概率进行计算
roc1=roc_auc_score(y_test, model.predict_proba(x_test)[:, 1])
# 带入预测的分类进行计算
roc2=roc_auc_score(y_test, model.predict(x_test))

结果是roc2小于roc1

为什么呢？

如图，ROC是通过将不同threshold的x轴（FPR）和y轴（TPR）的点连接而成的曲线， AUC就是ROC下的面积。

threshold：划分预测分类的分界，一般大于0.5就认为是target，但是没规定必须是0.5，也可以是其他值

predict_proba得到的是预测的概率，不同的threshold会有不同的TPR和FPR，可以得到上图圆滑的曲线

predict则不同，输出结果的时候已经固定了threshold，默认为0.5，所以它的roc曲线呈现以下格式，一种折线的形式

如果是相同模型，同时画出这两条曲线，折线会在曲线的下方，这也解释了为什么前面计算的roc结果不同，同时roc2小于roc1的原因，因为曲线下的面积不同，同时曲线下的面积大于折线的面积

参考

sklearn学习：为什么roc_auc_score()和auc()有不同的结果？：https://www.programminghunter.com/article/4582657422/

sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False)

sklearn.metrics.roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)[source]) 

上面的y_pred和y_score完全不一样，

y_pred:  预测值的标签，类标签的列表。比如[0, 0, 1, 0, 1]

y_score：目标分数。形状(n_samples，)或(n_samples, n_classes)。二分类情况形状(n_samples，1)，“分数必须是具有较大标签的类的分数”，通俗点理解:模型打分的第二列。举个例子:模型输入的得分是一个数组[0.98361117 0.01638886]，索引是其类别，这里“较大标签类的分数”，指的是索引为1的分数：0.01638886，也就是正例的预测得分。

参考

【1】​​​​​​sklearn.metrics.classification_report模块使用与指标分析(生成混淆矩阵评价分类指标)_comway_Li的博客-CSDN博客https://blog.csdn.net/comway_Li/article/details/102758972【2】sklearn(一)计算auc:使用sklearn.metrics.roc_auc_score()计算二分类的auc_凝眸伏笔的博客-CSDN博客_roc_auc_score()参数https://blog.csdn.net/pearl8899/article/details/109829306