sklearn.metrics计算AUC踩坑

1. sklearn的函数默认第一个参数传入label（如0，1，2等），第二个参数一般为预测的label（如0，1，2）或概率（介于0和1之间的小数）。
2. roc_auc_score()，传入预测的分类结果和预测的概率都是可以计算的。但正确的做法是传入预测概率，这样才符合AUC的计算原理。并且传入分类结果的话，auc指标会更低，因为曲线变粗糙了。参考：http://landcareweb.com/questions/18427/roc-auc-score-he-auc-de-jie-guo-bu-tong
3. 若利用roc_curve()产生fpr和tpr，再结合auc，计算结果与roc_auc_score相同。但这种方法无法计算预测分类结果的auc，会报错。