本文旨在解释在使用 Scikit-learn 计算随机森林的 AUC 时，为何使用不同的函数可能会得到不同的结果，并提供正确的计算方法。核心在于理解 predict_proba 方法在 AUC 计算中的作用。
在 Scikit-learn 中，计算随机森林模型的 AUC 时，经常会遇到使用 RocCurveDisplay.from_estimator 和 roc_auc_score 函数得到不同结果的情况。这种差异并非偶然，而是源于函数内部计算方式的不同以及对模型输出的不同处理。
原因分析：predict vs. predict_proba
关键在于理解 predict 和 predict_proba 这两个方法之间的区别。
-
predict(X): 该方法直接返回样本的类别标签，即模型预测的最终结果。对于二分类问题，它会根据一个默认的阈值（通常是0.5）将概率值转换为类别标签。
-
predict_proba(X): 该方法返回的是样本属于每个类别的概率。对于二分类问题，它会返回一个二维数组，其中每一行代表一个样本，第一列是属于类别 0 的概率，第二列是属于类别 1 的概率。
RocCurveDisplay.from_estimator 函数默认使用模型的 predict_proba 方法来计算 ROC 曲线，而直接使用 rfc.predict(X_test) 得到的是预测的类别标签，这会导致 roc_auc_score 函数计算出的 AUC 值偏低。这是因为 AUC 的计算依赖于模型输出的概率值，而不是硬性的类别标签。
正确的 AUC 计算方法
要获得准确的 AUC 值，应该使用 predict_proba 方法，并选择属于正类的概率值。以下是正确的代码示例：
from sklearn.datasets import load_wine from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import roc_auc_score from sklearn.model_selection import train_test_split # 加载数据集 X, y = load_wine(return_X_y=True) y = y == 2 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42) # 创建并训练随机森林模型 rfc = RandomForestClassifier(n_estimators=10, random_state=42) rfc.fit(X_train, y_train) # 使用 predict_proba 计算 AUC auc = roc_auc_score(y_test, rfc.predict_proba(X_test)[:, 1]) print(auc)
在这个例子中，rfc.predict_proba(X_test)[:, 1] 返回的是测试集中每个样本属于类别 1 的概率，这些概率值被用于 roc_auc_score 函数计算 AUC，从而得到更准确的结果。
总结与注意事项
- 在计算分类模型的 AUC 时，务必使用 predict_proba 方法获取概率值，而不是直接使用 predict 方法获取类别标签。
- 理解 predict 和 predict_proba 的区别对于正确评估模型性能至关重要。
- RocCurveDisplay.from_estimator 默认使用 predict_proba，因此通常能给出更准确的 AUC 结果。
- 如果需要手动计算 AUC，请确保使用 predict_proba 的输出，并选择属于正类的概率值。
- 不同的AUC计算方法可能导致结果差异，选择合适的方法并理解其原理至关重要。
