Scikit learn sklearn:LinearSVC和OneSVM的AUC分数

SVM分类器（

SVC

）的一个选项是

probability

，默认为false。文档没有说明它的功能。查看

libsvm

源代码，它似乎进行了某种交叉验证

此选项不适用于

LinearSVC

或

OneSVM

---

我需要计算几个SVM模型的AUC分数，包括最后两个。我是否应该使用

decision\u函数（X）

作为阈值来计算AUC分数？

为了使用sklearn计算AUC，您需要在分类器上使用

predict\u proba

方法；这就是

SVC

上的

probability

参数所做的（使用交叉验证计算它是正确的）。从文档中：

概率：布尔值，可选（默认值=False）

是否启用概率估计。这必须在调用fit之前启用，并且会减慢该方法的速度

---

不能直接使用决策函数来计算AUC，因为它不是概率。我想您可以缩放决策函数，以获取

[0,1]

范围内的值，并计算AUC，但我不确定这将具有什么统计特性；你当然不能用它来比较使用概率计算的ROC。

回答我自己的问题

首先，绘制ROC曲线需要概率，这是一个常见的“神话”。不，您的模型中需要某种阈值，可以更改。然后通过改变该阈值绘制ROC曲线。当然，ROC曲线的要点是，通过观察模型对观察结果的排序，来观察模型对假设的再现程度

在SVM的例子中，我看到人们用两种方式为他们绘制ROC曲线：

使用到决策约束对象的距离，正如我在自己的问题中提到的

使用偏差项作为SVM中的阈值：。事实上，如果您使用

SVC（probabilities=True）

则概率将通过使用CV以这种方式为您计算，然后您可以使用CV绘制ROC曲线。但正如我提供的链接中提到的，如果通过改变偏差直接绘制ROC曲线，速度会快得多

---

我认为#2和#1是一样的，如果我们使用线性核，就像我自己的情况一样，因为在这个特殊情况下，改变偏差就是改变距离。

这是不准确的。您需要阈值，这些阈值不必是概率。通常你使用概率，但它们可以是分数，就像在评估排名分类器的ROC时一样？我一整天都在做这件事，失败得很惨。