Python Scikit learn和Yellowbrick给出不同的分数

我正在使用sklearn计算分类器的平均精度和roc_auc，并使用yellowbrick绘制roc_auc和精度召回曲线。问题是，这些包在这两个指标上给出了不同的分数，我不知道哪一个是正确的

使用的代码：

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from yellowbrick.classifier import ROCAUC
from yellowbrick.classifier import PrecisionRecallCurve
from sklearn.datasets import make_classification
from sklearn.metrics import roc_auc_score
from sklearn.metrics import average_precision_score

seed = 42

# provides de data
X, y = make_classification(n_samples=1000, n_features=2, n_redundant=0,
                           n_informative=2, random_state=seed)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

clf_lr = LogisticRegression(random_state=seed)
clf_lr.fit(X_train, y_train)

y_pred = clf_lr.predict(X_test)
roc_auc = roc_auc_score(y_test, y_pred)
avg_precision = average_precision_score(y_test, y_pred)
print(f"ROC_AUC: {roc_auc}")
print(f"Average_precision: {avg_precision}")
print('='*20)

# visualizations
viz3 = ROCAUC(LogisticRegression(random_state=seed))
viz3.fit(X_train, y_train) 
viz3.score(X_test, y_test)
viz3.show()
viz4 = PrecisionRecallCurve(LogisticRegression(random_state=seed))
viz4.fit(X_train, y_train)
viz4.score(X_test, y_test)
viz4.show()

该代码生成以下输出：

---

正如上面所看到的，度量根据包给出不同的值。print语句中是由scikit learn计算的值，而在图中显示的是由yellowbrick计算的值。由于您使用scikit learn的

predict

方法，您的预测

y_pred

是硬类成员，而不是概率：

np.unique(y_pred)
# array([0, 1])

但是对于ROC和精确回忆计算，情况应该不是这样；传递给这些方法的预测应该是概率，而不是硬类。从

平均精度得分
：

y_分数：数组，形状=[n_样本]或[n_样本，n_类]

目标分数可以是正类的概率估计、置信值或决策的非阈值度量（如图所示）
由某些分类器上的“决策函数”返回）

其中非阈值意味着完全不是硬类。
roc\u auc\u得分的情况也类似

使用以下代码更正此问题，使scikit学习结果与Yellowbrick返回的结果相同：

y_pred = clf_lr.predict_proba(X_test)     # get probabilities
y_prob = np.array([x[1] for x in y_pred]) # keep the prob for the positive class 1
roc_auc = roc_auc_score(y_test, y_prob)
avg_precision = average_precision_score(y_test, y_prob)
print(f"ROC_AUC: {roc_auc}")
print(f"Average_precision: {avg_precision}")

结果:

ROC_AUC: 0.9545954595459546
Average_precision: 0.9541994473779806

由于Yellowbrick在内部（透明地）处理所有这些计算细节，因此它不会受到这里所做的手工scikit学习过程中的错误的影响


请注意，在二进制情况下（如下所示），您可以（也应该）使用
binary=True
参数使绘图不那么混乱：

viz3 = ROCAUC(LogisticRegression(random_state=seed), binary=True) # similarly for the PrecisionRecall curve

而且，与人们直观的预期相反，至少对于二元情况，
ROCAUC
的
score
方法将不返回AUC，而是返回准确度，如下所述：

请更新您的帖子，并提供两个软件包给出的确切结果；目前，这一点并不明显，图表与问题的相关性也不明显（两者似乎都来自yellowbricks）。@desertnaut scikit learn计算的auc分数和平均精度在打印语句中，而yellowbric计算的值在图表中出现注释。我编辑这篇文章是为了澄清这一点。
viz3.score(X_test, y_test)
# 0.88

# verify this is the accuracy:

from sklearn.metrics import accuracy_score
accuracy_score(y_test, clf_lr.predict(X_test))
# 0.88