本文旨在阐明在使用Scikit-learn计算随机森林模型的AUC（Area Under the Curve）时，为何使用predict()和predict_proba()函数会得到不同的结果，并提供正确的计算方法。通过示例代码和原理分析，帮助读者理解随机森林AUC计算的内部机制，避免常见错误。
在使用Scikit-learn的随机森林模型进行二分类任务时，计算AUC是评估模型性能的重要指标。然而，初学者经常会遇到一个问题：使用roc_auc_score函数，分别基于predict()和predict_proba()的输出来计算AUC，得到的结果往往不同。这背后的原因涉及到随机森林的输出机制以及AUC的计算方式。
随机森林的输出
随机森林是一种集成学习方法，它通过构建多个决策树并对其结果进行平均来做出预测。对于二分类问题，随机森林主要提供两种类型的输出：
- predict(X): 返回的是对每个样本的类别预测，即0或1。这是通过对每棵树的预测结果进行投票，选择得票最多的类别作为最终预测结果。
- predict_proba(X): 返回的是每个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，其中每一行对应一个样本，第一列是属于类别0的概率，第二列是属于类别1的概率。
AUC的计算原理
AUC是ROC曲线下的面积，ROC曲线描述了在不同阈值下，真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系。AUC值越高，模型的区分能力越强。
roc_auc_score函数需要输入的是样本的真实标签和模型预测的置信度得分。这个置信度得分可以是概率值，也可以是其他能够反映模型对样本属于某个类别的置信程度的值。
为什么predict()和predict_proba()计算的AUC不同？
使用predict()计算的AUC较低，是因为predict()返回的是硬类别预测，即0或1。这种硬预测丢失了模型预测的置信度信息。roc_auc_score函数在计算AUC时，需要的是一个连续的置信度得分，而不是离散的类别标签。当输入是predict()的输出时，roc_auc_score实际上是在计算基于硬类别预测的AUC，这通常会低估模型的真实性能。
使用predict_proba()计算的AUC更高，更接近模型的真实性能，是因为predict_proba()返回的是每个样本属于每个类别的概率。这个概率值可以作为置信度得分，roc_auc_score函数可以基于这些概率值来计算ROC曲线和AUC，从而更准确地评估模型的性能。
正确的计算方法
要正确计算随机森林模型的AUC，应该使用predict_proba()函数，并选择属于正类（通常是类别1）的概率作为置信度得分。
以下是正确的示例代码：
import matplotlib.pyplot as plt from sklearn.datasets import load_wine from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import RocCurveDisplay, 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(f"AUC using predict_proba: {auc}") # 使用RocCurveDisplay可视化ROC曲线 ax = plt.gca() rfc_disp = RocCurveDisplay.from_estimator(rfc, X_test, y_test, ax=ax, alpha=0.8) print(f"AUC using RocCurveDisplay: {rfc_disp.roc_auc}") plt.show()
代码解释：
- 导入必要的库。
- 加载数据集，并将目标变量转换为二分类问题。
- 划分训练集和测试集。
- 创建并训练随机森林模型。
- 使用rfc.predict_proba(X_test)[:, 1]获取测试集中每个样本属于类别1的概率。
- 使用roc_auc_score函数计算AUC，其中第一个参数是真实标签y_test，第二个参数是概率值。
- 使用RocCurveDisplay可视化ROC曲线，并打印AUC值。
注意事项
- 确保使用predict_proba()函数，而不是predict()函数。
- 对于二分类问题，需要选择predict_proba()返回的概率数组中的一列，通常是属于正类的概率（索引为1）。
- roc_auc_score函数的第一个参数是真实标签，第二个参数是模型预测的置信度得分（概率值）。
总结
理解随机森林的输出机制以及AUC的计算原理，是正确评估模型性能的关键。在使用Scikit-learn计算随机森林模型的AUC时，务必使用predict_proba()函数，并选择属于正类的概率作为置信度得分。 这样才能得到准确的AUC值，从而更好地评估模型的性能。错误地使用predict()会低估模型的真实性能。 通过本文的讲解和示例代码，相信读者能够避免常见的错误，并正确地计算随机森林模型的AUC。
