我正在尝试sklearn.metrics.roc_auc_score使用以下方法计算 ROC 曲线下的面积：
roc_auc = sklearn.metrics.roc_auc_score(actual, predicted)
其中actual是具有地面实况分类标签predicted的二元向量，是具有分类标签的二元向量，我的分类器已预测。
但是，roc_auc我得到的值与准确度值（标签被正确预测的样本的比例）完全相似。这不是一次性的事情。我在参数的各种值上尝试我的分类器，每次我得到相同的结果。
我在这里做错了什么？
这是因为您传递的是分类器的决定而不是它计算的分数。最近在 SO 上有一个关于此的问题以及对scikit-learn.
ROC 曲线的点（及其下方的区域）是您研究随着分类阈值的变化而进行的精确召回权衡。默认情况下，在二元分类任务中，如果您的分类器的分数为 > 0.5，class1则为预测，否则class0为预测。当你改变这个阈值时，你会得到这样的曲线。曲线越高（曲线下方的面积越大），分类器就越好。但是，要获得此曲线，您需要访问分类器的分数，而不是其决策。否则，无论决策阈值是多少，决策都保持不变，并且 AUC 退化为准确度。
你用的是哪个分类器？