Machine learning 如果多类分类器均匀分布未命中分类，则'；即使分类器不好，它也会给出较高的AUC吗？

我有一个多类分类问题，对于400个类，我得到了非常高的AUC分数（>0.94），对于如此多的类，这是出乎意料的高。肯定是出了问题。我有一个解释，但我需要有人验证我的推理是否属实

因此，在多类问题的情况下，如果我想使用ROC，我需要对类标签进行二值化（因为ROC适用于二值类问题）。现在，例如，如果我使用一对一配置（Hand and Till，2001），并且分类器将未命中分类（误报和误报）均匀地分布在许多（甚至所有）类上，那么对于任何一对类，我将不可避免地有少量的误报和少量的误报。因此，假阳性和假阴性的数量越少，真阳性率越高，假阳性率越低，因此AUC越高。因为这并不意味着分类基本上是正确的，所以在准确性、精确性或召回率方面，你会得到较低的分数。我在这里的推理有意义吗

---

我的数据集是平衡的。我正在使用sklearn的

roc\u auc\u分数

实现

ovo

配置。

你的问题是什么？“这有意义吗”不是我们能回答的问题。我将其标记为迁移到stats SE站点，但您可能仍然需要澄清您的确切问题。@Calimo如果您完整阅读，我相信我的问题非常清楚。仍然对有问题的部分进行了重新设计。谢谢你的关注。如果我的问题有什么特别不清楚的地方，我非常乐意进一步阐述。