Python 使用随机林时sklearn平均精度分数的参数

我一直试图摆弄sklearn指标，特别是平均精度分数。然而，我只能在sklearn文档中找到一个计算平均精度分数的例子，也可以使用SVM。下面是代码片段以及文档链接，作为参考：

现在我的问题是在上面的例子中，y_得分是通过决策函数（预测样本的置信度得分）得到的输出，y_检验是类。考虑到没有像支持向量机那样的随机森林决策函数方法，如何计算y_得分

---

我曾经尝试并看到人们使用预测（self，X）（预测X类）和预测概率（self，X）（预测X类概率）方法来计算平均精度得分。使用这两种方法，我的结果非常不同。使用predict（self，X）我得到0.74作为平均精度评分，使用predict\u proba我得到0.94。我的y_测试是带有值（1，0）的类标签。对于什么是正确的事情，我有点困惑。何时使用predict vs predict_proba，以及为什么它们会导致如此不同的平均精度分数。任何帮助都将不胜感激。

使用预测-您预测标签（假设为0和1） 使用predict_Probability（预测概率）-您拥有特定样本的两个标签的概率（结果[0.1,0.9]=>此样本最有可能是1而不是0）

度量AP-是顺序度量，因此预测的唯一顺序很重要。所以，如果地面真值向量[1,0,1]和预测向量（通过概率）[0.9,0.7,0.8]-AP为第二个例子提供1.0偶数概率，因为1是0.7

因此，如果您的模型出现错误（缺少类），那么仍然有可能使顺序更加平滑。因此，对于订单指标，如AP或ROC AUC，最好将proba置于预测之上

# Create a simple classifier
classifier = svm.LinearSVC(random_state=random_state)
classifier.fit(X_train, y_train)
y_score = classifier.decision_function(X_test)
# Computing the avaerage_precision_score
from sklearn.metrics import average_precision_score
average_precision = average_precision_score(y_test, y_score)