逆向ROC-AUC值？

我有一个分类问题，需要根据给定的数据预测一个类别（0,1）。我的数据集包含超过300个特征（包括用于预测的目标值）和超过2000行的样本。我应用了以下不同的分类器：

 1. DecisionTreeClassifier() 2. RandomForestClassifier() 3. GradientBoostingClassifier() 4. KNeighborsClassifier()

除了随机森林的AUC值约为0.28外，几乎所有分类器的结果都相似，约为0.50。我想知道如果我将随机森林的结果反转，如下所示，是否正确：

 1-0.28= 0.72

并将其报告为AUC？这是正确的吗？

回答：

你的直觉没有错：如果一个二元分类器确实表现得比随机差（即AUC < 0.5），一个有效的策略是简单地反转其预测，即当分类器预测为1时报告0，反之亦然）；从相关的维基百科条目（强调部分）中可以看出：

对角线划分了ROC空间。位于对角线上方的点代表良好的分类结果（优于随机）；位于对角线下方的点代表不良的结果（劣于随机）。请注意，一个持续表现不佳的预测器的输出可以简单地反转以获得一个良好的预测器。

尽管如此，对于这个反转的分类器，正式正确的AUC应该是首先反转模型的各个概率预测prob：

prob_invert = 1 - prob

然后使用这些预测prob_invert计算AUC（可以说这个过程应该与你描述的简单地从1中减去AUC的朴素方法得出相似的结果，但我对确切的结果不太确定 – 另见这个Quora答案）。

不用说，这一切都是基于你的整个过程是正确的假设，即你没有建模或编码错误（构造一个劣于随机的分类器并不完全是微不足道的）。

学技术