Sklearn中roc_curve与roc_auc_score结果不一致问题咨询

最可能的原因：roc_curve未指定正标签，默认取了标签中的最大值 #

你的testY标签是1和2，roc_auc_score明确指定了pos_label=1（正标签为1），但roc_curve默认会把y_true中的最大值（也就是2）当作正类。这时候roc_curve计算的是类别2的ROC曲线，对应的AUC值是1 - 0.5856 ≈ 0.4144，画出来的曲线自然会在对角线下方，看起来AUC小于0.5，和roc_auc_score的结果刚好互补。

验证方法 #

调用sklearn.metrics.auc(fpr, tpr)计算roc_curve输出的曲线AUC，如果结果接近0.4144，就坐实了这个问题。

解决步骤 #

在调用roc_curve时显式指定pos_label=1，和roc_auc_score保持一致：

from sklearn.metrics import roc_curve, roc_auc_score, auc
import matplotlib.pyplot as plt

# 假设你的testY和predY已定义
fpr, tpr, thresholds = roc_curve(testY, predY, pos_label=1)  # 关键：指定正标签为1
roc_auc = roc_auc_score(testY, predY, pos_label=1)

# 绘制ROC曲线
plt.plot(fpr, tpr, label=f'ROC curve (AUC = {roc_auc:.4f})')
plt.plot([0, 1], [0, 1], 'k--')  # 对角线
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.legend(loc='lower right')
plt.show()

其他可能的小概率原因 #

• 绘制曲线时搞反了FPR和TPR的顺序：比如误写成plt.plot(tpr, fpr)，这会导致曲线形态异常，看起来AUC不对，检查绘图代码的x、y轴参数即可。
• predY的含义和预期不符：比如你以为predY是类别1的概率，但实际是类别2的概率。这种情况下，要么把predY换成1 - predY，要么在两个函数中都把正标签设为2，保持逻辑一致。

内容的提问来源于stack exchange，提问作者hhaamm