如何在交叉验证时获得AUC-ROC而不是准确度？

Posted 2021-03-27

我正在对数据集进行分类，我正在使用交叉验证进行建模。交叉验证为每个折叠提供准确性，因为类是不平衡的，准确性不是正确的度量。我想获得AUC-ROC而不是准确性。

答案

cross_val_score支持大量得分选项。

详细列表提到here。

['accuracy'，'recall_samples'，'f1_macro'，'adjusted_rand_score'，'recall_weighted'，'precision_weighted'，'recall_macro'，'homogeneity_score'，'neg_mean_squared_log_error'，'recall_micro'，'f1'，'neg_log_loss'，' roc_auc'，'average_precision'，'f1_weighted'，'r2'，'precision_macro'，'explain_variance'，'v_measure_score'，'neg_mean_absolute_error'，'completeness_score'，'fowlkes_mallows_score'，'f1_micro'，'precision_samples'，'mutual_info_score' ，'neg_mean_squared_error'，'balanced_accuracy'，'neg_median_absolute_error'，'precision_micro'，'normalized_mutual_info_score'，'adjusted_mutual_info_score'，'precision'，'f1_samples'，'brier_score_loss'，'召回']

这是一个展示如何使用auc_roc的示例。

>>> from sklearn import datasets, linear_model
>>> from sklearn.model_selection import cross_val_score
>>> import numpy as np
>>> X, y = datasets.load_breast_cancer(return_X_y=True)
>>> model = linear_model.SGDClassifier(max_iter=50, random_state=7)
>>> print(cross_val_score(model, X, y, cv=5, scoring = 'roc_auc'))  

[0.96382429 0.96996124 0.95573441 0.96646546 0.91113347]