我有一个用Keras编写的多标签分类器，我希望计算每个测试集元素的AUC并绘制ROC曲线。

一切看起来都很好，除了某些元素的ROC曲线具有如下斜率：

我不知道在这种情况下如何解释斜率。

我的工作流程大致如下：我有一个预训练的model，是Keras的一个实例，我有特征X和二值化标签y，y中的每个元素是一个长度为1000的数组，因为这是一个多标签分类问题，y中的每个元素可能包含多个1，表示该元素属于多个类别，因此我使用了内置的binary_crossentropy损失函数，我的模型预测输出是分数概率。然后我按照以下方式绘制ROC曲线。

from sklearn.metrics import roc_curve, auc#...for xi, yi in (X_test, y_test):    y_pred = model.predict([xi])[0]    fpr, tpr, _ = roc_curve(yi, y_pred)    plt.plot(fpr, tpr, color='darkorange', lw=0.5)

预测方法返回概率，因为我使用了Keras的函数式API。

有谁知道为什么ROC曲线看起来像这样吗？

回答：

在scikit-learn的邮件列表中询问，他们回答说：

斜率通常意味着你的预测中有平局。

这正是这个问题的情况。