roc_auc_score计算单标签二分类auc时，必须传入0/1整数型y_true和模型输出的正类概率（如predict_proba[:,1]）或决策得分，不可传硬分类预测值，否则报错或结果无效。
用 roc_auc_score 计算单标签二分类 AUC
最常见场景是二分类任务，比如预测是否患病、用户是否会点击。这时必须传入真实标签 y_true 和模型输出的**正类概率（或决策函数得分）** y_score，不能传预测类别（0/1）。传错会报 ValueError: Only one class present in y_true 或结果恒为 0.5。
关键点：
-
y_true必须是 0/1 整数或布尔值，不能是字符串标签 -
y_score应来自model.predict_proba(X)[:, 1]（逻辑回归、随机森林等）或model.decision_function(X)（SVM、线性分类器） - 若模型只输出硬分类（如
predict(X)），无法直接算 AUC——得换能输出概率/得分的模型或接口
from sklearn.metrics import roc_auc_score from sklearn.ensemble import RandomForestClassifier from sklearn.datasets import make_classification <p>X, y = make_classification(n_samples=1000, n_features=4, random_state=42) clf = RandomForestClassifier(random_state=42).fit(X, y) y_proba = clf.predict_proba(X)[:, 1] # 取正类概率 auc = roc_auc_score(y, y_proba) # ✅ 正确 </p>
多标签或多分类 AUC 要指定 multi_class 和 average
多分类（如手写数字 0–9）默认不支持直接传 y_score 矩阵——roc_auc_score 会报 ValueError: Target is multiclass but average='binary'。必须显式告诉它怎么降维。
常用组合：
-
multi_class="ovr"（one-vs-rest） +average="macro"：对每个类别单独算 OvR AUC，再取平均 -
multi_class="ovr"+average="weighted"：按各类别样本数加权平均 - 多标签（multioutput）用
average="samples"，但输入y_score必须是二维且 shape 匹配y_true
注意：multi_class="ovo"（one-vs-one）计算开销大，且要求 y_score 是 decision_function 输出（不是 predict_proba），否则结果不可靠。
遇到 UndefinedMetricWarning: No positive samples 怎么办
这个警告意味着某个折（如 CV 中某 fold）里 y_true 全是 0 或全是 1，ROC 曲线无法定义——AUC 数学上无意义。它常出现在小数据集、分层不均或异常采样中。
解决思路：
- 检查数据分布：
np.bincount(y_true)看各类样本数，尤其验证集 - 改用分层抽样：
StratifiedKFold替代KFold，保证每折都有正负样本 - 若业务允许，可设
raise_warning=False并配合zero_division=0（但需清楚这是人为补缺，非真实指标）
不要忽略它去强行取均值——单个无效 fold 的 AUC 可能被设为 0.5 或 nan，拉低整体可信度。
roc_curve 返回的点和 auc 值不一致？
不会不一致，但容易误读：roc_curve 返回的是 (fpr, tpr, thresholds)，而 auc 是对这组点做梯形积分。如果你手动用 np.trapz(tpr, fpr)，结果应和 roc_auc_score 一致。
差异通常来自：
- 用了不同输入：比如
roc_curve传了y_score，但roc_auc_score传了y_pred（硬分类） - 多分类时没统一
average策略，roc_curve只支持二分类，必须先做 OvR 展开 - 数值精度问题：极小的 fpr/tpr 浮点误差在积分时被放大，但实际影响通常
真正要注意的是——别把 roc_curve 的返回值直接喂给 auc 函数，它只认原始 y_true 和 y_score。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
