使用 Scikit-Learn 计算平均 AUC 的差异

Posted 2023-03-12

【中文标题】使用 Scikit-Learn 计算平均 AUC 的差异

【英文标题】：Difference in calculating mean AUC using Scikit-Learn

【发布时间】：2017-03-20 20:25:18

【问题描述】：

我有以下代码：

from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import StratifiedKFold, cross_val_score
import numpy as np
from scipy import interp

seed = 7
np.random.seed(seed)

iris = datasets.load_iris()
X = iris.data
y = iris.target
X, y = X[y != 2], y[y != 2]
n_samples, n_features = X.shape

# Add noisy features
random_state = np.random.RandomState(0)
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

cv = StratifiedKFold(n_splits=10)
classifier = svm.SVC(kernel='linear', probability=True, random_state=seed)

mean_tpr = 0.0
mean_fpr = np.linspace(0, 1, 100)

i= 0
for train, test in cv.split(X, y):
    probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test])
    # Compute ROC curve and area the curve
    fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1])
    mean_tpr += interp(mean_fpr, fpr, tpr)
    mean_tpr[0] = 0.0
    roc_auc = auc(fpr, tpr)

    i += 1


mean_tpr /= cv.get_n_splits(X, y)
mean_tpr[-1] = 1.0
mean_auc_1 = auc(mean_fpr, mean_tpr)
print "#--- Method 1 to calculate mean AUC ---"
print mean_auc_1


print "#--- Method 2 to calculate mean AUC ---"
results = cross_val_score(classifier, X, y, cv=cv)
mean_auc_2 =  ":.3f".format(results.mean())
print mean_auc_2

它产生以下结果：

#--- Method 1 to calculate mean AUC ---
0.801818181818
#--- Method 2 to calculate mean AUC ---
0.700

计算平均AUC的方法1是通过this Scikit Tutorial建议的循环。 方法 2 使用 Scikit 的内置 cross_val_score() 方法计算平均 AUC。

我的问题是，为什么会有差异？我应该相信哪个意思的 AUC？ 我应该如何修改方法2，以使结果与方法1相同？

我正在使用这个版本的 Scikit-Learn：

In [442]: sklearn.__version__
Out[442]: '0.18'

【参考方案1】：

您的第二个示例没有 auc 计算。 您应该添加自定义评分功能。请参阅cross_val_score 的 api。

您只是在计算平均准确度。这通常是用于classifier 的标准评分函数。您可以在documentation 中查看 svm 的标准评分函数

类似的东西

cross_val_score(classifier, X, y, cv=cv, scoring='roc_auc')

应该工作

【讨论】：

谢谢。你能给出示例代码吗？我应该如何修改方法2，使结果与方法1相同？

这就是他们在第一种方法中所做的

@neversaint，不，没有必要。您可以定义自定义评分函数或使用我更新示例中的选项。

我也有同样的差异。当您取消注释 mean_tpr[0] = 0.0 时，您会得到更接近的 0.80444444。可能在 for 循环周围的代码中存在一些小问题

检查我的答案：您正在计算准确度，这是分类器的标准指标。