为啥当我将 GridSearchCV 与 roc_auc 评分一起使用时，grid_search.score(X,y) 和 roc_auc_score(y, y_predict) 的分数不同？

Posted 2023-03-12

【中文标题】为啥当我将 GridSearchCV 与 roc_auc 评分一起使用时，grid_search.score(X,y) 和 roc_auc_score(y, y_predict) 的分数不同？

【英文标题】：Why when I use GridSearchCV with roc_auc scoring, the score is different for grid_search.score(X,y) and roc_auc_score(y, y_predict)?为什么当我将 GridSearchCV 与 roc_auc 评分一起使用时，grid_search.score(X,y) 和 roc_auc_score(y, y_predict) 的分数不同？

【发布时间】：2018-08-10 05:20:40

【问题描述】：

我正在使用分层 10 折交叉验证来找到模型，该模型可以从 X（X 有 34 个标签）预测 y（二元结果），并具有最高的 auc。我设置了 GridSearchCV：

log_reg = LogisticRegression()
parameter_grid = 'penalty' : ["l1", "l2"],'C': np.arange(0.1, 3, 0.1),
cross_validation = StratifiedKFold(n_splits=10,shuffle=True,random_state=100)
grid_search = GridSearchCV(log_reg, param_grid = parameter_grid,scoring='roc_auc',
                          cv = cross_validation)

然后进行交叉验证：

grid_search.fit(X, y)
y_pr=grid_search.predict(X)

我不明白以下内容： 为什么grid_search.score(X,y) 和roc_auc_score(y, y_pr) 给出不同的结果（前者为0.74，后者为0.63）？为什么这些命令在我的情况下不做同样的事情？

【问题讨论】：

好问题！当答案到来时发出一条消息提醒;)

【参考方案1】：

这是由于在 GridSearchCV 中使用时 roc_auc 的初始化不同。

看source code here

roc_auc_scorer = make_scorer(roc_auc_score, greater_is_better=True,
                             needs_threshold=True)

观察第三个参数needs_threshold。当为真时，它将需要y_pred 的连续值，例如在网格搜索中将根据log_reg.decision_function() 计算的概率或置信度分数。

当您使用y_pr 显式调用roc_auc_score 时，您使用的是.predict()，它将输出数据的结果预测类标签而不是概率。这应该可以解释差异。

试试：

y_pr=grid_search.decision_function(X)
roc_auc_score(y, y_pr)

如果结果仍然不一样，请用完整的代码和一些示例数据更新问题。

【讨论】：

非常感谢！太神奇了，结果现在一样！