为什么当我在roc_auc评分中使用GridSearchCV时，grid_search.score（X，y）和roc_auc_score（y，y_predict）的分数不同？

Question

我正在使用分层10倍交叉验证来找到可预测具有最高auc的X（X具有34个标记）的y（二进制结果）的模型。我设置了GridSearchCV：

log_reg = LogisticRegression()
parameter_grid = {'penalty' : ["l1", "l2"],'C': np.arange(0.1, 3, 0.1),}
cross_validation = StratifiedKFold(n_splits=10,shuffle=True,random_state=100)
grid_search = GridSearchCV(log_reg, param_grid = parameter_grid,scoring='roc_auc',
                          cv = cross_validation)

然后执行交叉验证：

grid_search.fit(X, y)
y_pr=grid_search.predict(X)

我不理解以下内容：为什么grid_search.score(X,y)并roc_auc_score(y, y_pr)给出不同的结果（前者为0.74，后者为0.63）？在我的情况下，为什么这些命令没有做同样的事情？

Answer 1

这是由于在 GridSearchCV 中使用时 roc_auc 的初始化不同。

看这里的源代码

roc_auc_scorer = make_scorer(roc_auc_score, greater_is_better=True,
                             needs_threshold=True)

观察第三个参数needs_threshold。当为真时，它将需要y_pred诸如概率或置信度分数的连续值，这些值在 gridsearch 中将从 计算log_reg.decision_function()。

当您显式调用roc_auc_scorewith 时y_pr，您正在使用.predict()which 将输出数据的结果预测类标签而不是概率。这应该说明差异。

尝试 ：

y_pr=grid_search.decision_function(X)
roc_auc_score(y, y_pr)

如果结果仍然不同，请使用完整代码和一些示例数据更新问题。