sklearn.cross_val_score和sklearn.roc_auc_score

1、sklearn.model_selection.cross_val_score(estimator, X, y=None, groups=None, scoring=None, cv=None, n_jobs=None, verbose=0, fit_params=None, pre_dispatch='2*n_jobs', error_score=nan)

（1）cv参数定义交叉验证方式：对于参数值为None或Integer，当estimator是分类器且y是二类或多类，使用stratifiedKfold；否则为Kfold；

2、sklearn.metrics.roc_auc_score(y_true, y_score, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)

（1）参数y_score：在二分类或多分类中，该值既可以是概率值，也可以是non-thresholded decision values (as returned by decision_function on some classifiers)，多分类中概率值的总和为1；当二分类时，y_score是最大标签类别的预测概率；当多类别时，预测每个类别的分数顺序应遵从真实标签的顺序，或者，遵从参数y_true中标签的数字顺序或字母顺序。

（2）今天参数y_score用错了，直接把预测类别当作参数传了，犯了低级错误，之前博客还介绍过；

 

总结：当cross_val_score中estimator是分类器时，且cv为Integer时，其效果相当于stratifiedKFold+roc_auc_score。