我使用 sklearn 来计算分类器的平均精确度和 ROC_AUC，同时使用 yellowbrick 来绘制 ROC_AUC 和精确度-召回率曲线。问题在于这两个包在两种指标上给出的分数不同，我不知道哪个是正确的。
使用的代码如下：
import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import train_test_splitfrom yellowbrick.classifier import ROCAUCfrom yellowbrick.classifier import PrecisionRecallCurvefrom sklearn.datasets import make_classificationfrom sklearn.metrics import roc_auc_scorefrom sklearn.metrics import average_precision_scoreseed = 42# provides de dataX, y = make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2, random_state=seed)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)clf_lr = LogisticRegression(random_state=seed)clf_lr.fit(X_train, y_train)y_pred = clf_lr.predict(X_test)roc_auc = roc_auc_score(y_test, y_pred)avg_precision = average_precision_score(y_test, y_pred)print(f"ROC_AUC: {roc_auc}")print(f"Average_precision: {avg_precision}")print('='*20)# visualizationsviz3 = ROCAUC(LogisticRegression(random_state=seed))viz3.fit(X_train, y_train) viz3.score(X_test, y_test)viz3.show()viz4 = PrecisionRecallCurve(LogisticRegression(random_state=seed))viz4.fit(X_train, y_train)viz4.score(X_test, y_test)viz4.show()代码产生以下输出：
如上所示，根据使用的包，度量值给出了不同的数值。在打印语句中是 scikit-learn 计算的值，而在图表中标注的是 yellowbrick 计算的值。
回答：
由于您使用了 scikit-learn 的 predict 方法，您的预测 y_pred 是硬类别成员，而不是概率值：
np.unique(y_pred)# array([0, 1])但对于 ROC 和精确度-召回率的计算，这不应该是这样的；您传递给这些方法的预测应该是概率，而不是硬类别。从 average_precision_score 的文档中可以看到：
y_score: array, shape = [n_samples] or [n_samples, n_classes]
目标分数，可以是正类别的概率估计、置信值或非阈值决策测量值（如某些分类器的“decision_function”返回的）。
其中非阈值的含义正是不是硬类别。对于 roc_auc_score 也是如此（文档）。
通过以下代码进行修正，使 scikit-learn 的结果与 Yellowbrick 返回的结果一致：
y_pred = clf_lr.predict_proba(X_test) # 获取概率值y_prob = np.array([x[1] for x in y_pred]) # 保留正类别1的概率roc_auc = roc_auc_score(y_test, y_prob)avg_precision = average_precision_score(y_test, y_prob)print(f"ROC_AUC: {roc_auc}")print(f"Average_precision: {avg_precision}")结果如下：
ROC_AUC: 0.9545954595459546Average_precision: 0.9541994473779806由于 Yellowbrick 在内部（并且透明地）处理了所有这些计算细节，因此它不会受到手动 scikit-learn 过程中犯的错误的影响。
请注意，在二元情况下（如本例），您可以（并且应该）使用 binary=True 参数使您的图表不那么杂乱：
viz3 = ROCAUC(LogisticRegression(random_state=seed), binary=True) # 同样适用于 PrecisionRecall 曲线并且，与人们可能直观期望的相反，至少在二元情况下，ROCAUC 的 score 方法不会返回 AUC，而是返回准确率，如文档中所指定的：
viz3.score(X_test, y_test)# 0.88# 验证这是准确率：from sklearn.metrics import accuracy_scoreaccuracy_score(y_test, clf_lr.predict(X_test))# 0.88