classification_report和roc_auc_score使用注意

sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False)

sklearn.metrics.roc_auc_score(y_true, y_score, *, average='macro', sample_weight=None, max_fpr=None, multi_class='raise', labels=None)[source]) 

上面的y_pred和y_score完全不一样，

y_pred:  预测值的标签，类标签的列表。比如[0, 0, 1, 0, 1]

y_score：目标分数。形状(n_samples，)或(n_samples, n_classes)。二分类情况形状(n_samples，1)，“分数必须是具有较大标签的类的分数”，通俗点理解:模型打分的第二列。举个例子:模型输入的得分是一个数组[0.98361117 0.01638886]，索引是其类别，这里“较大标签类的分数”，指的是索引为1的分数：0.01638886，也就是正例的预测得分。

参考

【1】​​​​​​sklearn.metrics.classification_report模块使用与指标分析(生成混淆矩阵评价分类指标)_comway_Li的博客-CSDN博客https://blog.csdn.net/comway_Li/article/details/102758972【2】sklearn(一)计算auc:使用sklearn.metrics.roc_auc_score()计算二分类的auc_凝眸伏笔的博客-CSDN博客_roc_auc_score()参数https://blog.csdn.net/pearl8899/article/details/109829306