Scikit learn 关于正类和sklearn metric pos_label=0的混淆

我有一个用于检测AO/非AO图像的二进制分类问题，为此使用Pytork。
首先，我使用ImageFolder实用程序加载数据。

Dataset.class_to_idx

中的数据集类到标签映射是

{0:'AO'，1:'Non-AO'}

因此，我的“积极类”AO分配了一个标签0，而我的“消极类”非AO分配了一个标签1。
然后我培训并验证模型，没有任何问题。
在进行测试时，我需要计算测试数据的一些指标。
这就是我困惑的地方。

[方法A]

fpr, tpr, thresholds = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)

# because 0 is my actual 'positive' class for this problem
fpr, tpr, thresholds = roc_curve(y_true, y_score, pos_label=0)
roc_auc = auc(fpr, tpr)

[方法B]

fpr, tpr, thresholds = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)

# because 0 is my actual 'positive' class for this problem
fpr, tpr, thresholds = roc_curve(y_true, y_score, pos_label=0)
roc_auc = auc(fpr, tpr)

现在，第二条曲线基本上是第一条曲线沿对角线的镜像，对吗？
我认为，它不可能是正确的曲线，因为我通过直接比较

y_true

和

y_pred

来检查模型的准确性，以获得以下精度

除此之外，我的混淆矩阵是这样的。

所以，我的第一个问题是，我做错什么了吗？方法B中曲线的意义是什么？我可以说方法A为我的分类任务提供了正确的ROC曲线吗？如果没有，那么如何获得正确的曲线

真阳性

或

真阴性

或任何其他术语对我的混淆矩阵意味着什么？矩阵是否考虑0：AO为负和1：非AO为正（我想是的，是的）还是反之亦然？

如果0确实被认为是负的，那么当我真的希望0被认为是正的时，我如何在矩阵中进行更改以反映这一点（因为我稍后将使用矩阵来计算其他矩阵，如特异性、敏感性等）