Python best_score_u的gridsearch cv的AUC分数与gridsearch cv最佳模型的AUC_roc_u分数不同

我对逻辑回归进行了网格搜索，并将得分设置为“roc_auc”。网格clf1.best评分给了我0.7557的auc。之后，我想画出最佳模型的ROC曲线。我看到的ROC曲线的AUC为0.50，我完全不理解这一点

我查看了预测的概率，发现它们都是0.0或1.0。因此，我认为这里出了问题，但我找不到问题所在

我的网格搜索cv代码如下所示：

clf1 = Pipeline([('RS', RobustScaler()), ('LR', 
     LogisticRegression(random_state=1, solver='saga'))])

params = {'LR__C': np.logspace(-3, 0, 5),
      'LR__penalty': ['l1']}

grid_clf1 = GridSearchCV(clf1, params, scoring='roc_auc', cv = 5, 
      n_jobs=-1)

grid_clf1.fit(X_train, y_train)
grid_clf1.best_estimator_
grid_clf1.best_score_

因此，最佳模型的AUC为0.7557。 然后，如果我自己计算模型的AUC：

y_pred_proba = grid_clf1.best_estimator_.predict_probas(X_test)[::,1]

print(roc_auc_score(y_test, y_pred_proba))

---

这给了我0.50的AUC。

您的示例代码似乎有两个问题：

比较不同数据集的ROC_AUC分数。在装配过程中，使用列车组，当调用

roc\u auc\u得分时使用测试组

交叉验证评分与简单的

roc\u auc\u评分

函数调用稍有不同。它可以扩展为

np.mean（交叉分值（…）

---

因此，如果考虑到这一点，您将得到相同的评分值。您可以作为参考。

谢谢您的回答！谷歌colab笔记本非常清楚地说明了这一点。我还有一个问题：cv结果和测试集结果之间的差异如此之大是否正常？或者我应该做更多的折叠以使它们彼此更接近？可能您的模型拟合过度，因此您应该预处理数据或尝试其他模型。我刚刚发现我对列车数据进行了标准化，而我没有对测试数据进行标准化。无论如何谢谢你！