Python scikit学习中非二进制分类器的auc分数

我想计算不同分类器的

roc\u auc

。有些不是二进制分类器。以下是我使用的代码的一部分：

if hasattr(clf, "decision_function"):
    y_score = clf.fit(X_train, y_train).decision_function(X_test)
else:
    y_score = clf.fit(X_train, y_train).predict_proba(X_test)

AUC=roc_auc_score(y_test, y_score)

但是，对于一些分类器（最近邻），我得到了一个错误 例如：

---

只是一句话，我用了：

y\u score=clf.fit（X\u train，y\u train）。predict\u proba（X\u test）

，但我真的不知道使用它是否正确。

好的，首先要做的事情是

clf.fit(X_train, y_train)

这将使您的模型适合您的培训数据。第一个参数是特征，第二个参数是目标。好的，做得很好

拟合后，您可以在另一个数据集上应用“.predict”或“.predict_proba”，以获得其结果的估计/预测。或者您可以同时进行拟合和预测，如下所示：

clf.fit(X_train, y_train).predict_proba(X_test)

这是你的预测，不是你的分数。 你的分数将是预测值和真实值（y_测试）的函数。 根据问题的类型，您可以使用不同的评分标准，例如准确性、精确性、召回率、f1等。。（更多信息请访问）

现在，roc_auc_分数是这些指标之一，但你必须注意你输入的函数，否则它将无法工作。如roc_auc_分数页（）所述，参数应为：

y\u true:true二进制标签指示器中的二进制标签
y_分数：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（由某些分类器上的“决策函数”返回）

因此，如果你有标签，或者为y_true设置多标签，那么函数就不能工作，它必须是二进制的
y_得分另一方面，可以是二元或概率（范围从[0,1]）

希望有帮助

---

编辑：如果你遇到了多标签问题，你能做的就是一次处理一个不同的类。这样，它将成为许多二进制问题/模型。（试着建立一个模型来预测它的类别是否为a，然后做它的roc曲线，然后，转到下一个类别并建立另一个模型，依此类推）

roc曲线只在二元情况下才真正定义。这在多类设置中没有真正意义。

clf.fit(X_train, y_train).predict_proba(X_test)