Python 反向ROC-AUC值？

我有一个分类问题，需要在给定数据的情况下预测一类（0,1）。基本上，我有一个包含300多个特征（包括预测的目标值）和2000多行（样本）的数据集。我应用了不同的分类器，如下所示：

 1. DecisionTreeClassifier()
 2. RandomForestClassifier()
 3. GradientBoostingClassifier()
 4. KNeighborsClassifier()

除了0.28左右的随机森林外，几乎所有的分类器都给了我类似的结果，AUC值在0.50左右。我想知道，如果我反转随机森林结果，是否正确，如：

 1-0.28= 0.72

---

并将其报告为AUC？它是否正确？

你的直觉没有错：如果二元分类器的性能确实比随机分类器差（即AUC<0.5），有效的策略是简单地反转其预测，即每当分类器预测1时报告0，反之亦然）；从相关信息中（增加强调）：

对角线分割ROC空间。对角线上方的点表示良好的分类结果（优于随机）；线下的点表示不良结果（比随机结果更糟）。请注意，可以简单地反转一贯不好的预测值的输出，以获得好的预测值

尽管如此，该反向分类器的形式上正确的AUC是首先反向模型的单个概率预测

prob

：

prob_invert = 1 - prob

然后使用这些预测计算AUC

prob_invert

（可以说，这个过程应该会给出与您描述的简单方法相似的结果，即从1中减去AUC，但我不确定确切的结果-另请参见此）

不用说，所有这些都是基于这样的假设，即您的整个过程是正确的，即您没有任何建模或编码错误（构建比随机更差的分类器并不简单）。

ROC指的是图（接收器工作特征图/曲线），AUC指的是分类器曲线下的区域。您得到的AUC值（例如0.50或0.28）是正确的报告值。0.5是2类分类（如您的案例）的更改级别。