异常检测得到反向ROC曲线（AUC=0.02），如何通过函数自动反转？

scikit-learn 中的roc_auc_score、roc_curve等ROC相关评估函数，默认遵循规则：预测得分越高的样本，越有可能属于正类（默认取标签取值更大的类别，也就是你场景中的异常样本标签1）。而你的异常检测算法规则刚好相反：得分越高属于正常样本（标签0）的概率越高，得分越低属于异常样本（标签1）的概率越高，和函数的默认假设完全相反，因此得到了接近0的AUC结果。

你可以通过以下几种方式直接得到正确的评估结果，不需要手动反转标签：

方法1：指定正类为正常样本（推荐） #

直接在调用函数时通过pos_label参数指定正类为标签0，完全匹配你的得分规则，不需要修改任何原始得分或标签：

# 计算AUC时指定正类为标签0
auc = roc_auc_score(y, score, pos_label=0)
# 生成ROC曲线参数时指定正类为标签0
fpr, tpr, thresholds = roc_curve(y, score, pos_label=0)
display = RocCurveDisplay(fpr=fpr, tpr=tpr, roc_auc=auc)

该方法最贴合业务逻辑，不需要对原始数据做任何修改。

方法2：反转预测得分的符号 #

对预测得分统一取反后，异常样本的得分会高于正常样本，刚好符合函数默认的「得分越高越可能是正类（标签1）」的假设：

auc = roc_auc_score(y, -score)
fpr, tpr, thresholds = roc_curve(y, -score)
display = RocCurveDisplay(fpr=fpr, tpr=tpr, roc_auc=auc)

方法3：直接对AUC结果取补 #

对于二分类问题，当得分规则和函数默认假设完全相反时，正确的AUC值等于1 - 原始输出的AUC，你的场景中1-0.02=0.98就是符合预期的结果。需要注意如果需要绘制正确的ROC曲线，还是需要用前两种方法处理roc_curve的输入，不能直接对FPR、TPR结果做修改。

内容的提问来源于stack exchange，提问作者Fabio