我需要做的是:

• 应用逻辑回归分类器
• 使用AUC报告每个类的ROC
• 使用逻辑回归的估计概率来指导ROC的构建
• 对模型训练使用5倍交叉验证

为此，我的方法是使用这个非常好的教程:

基于他的想法和方法，我只是改变了获取原始数据的方式，像这样:

df = pd.read_csv(    filepath_or_buffer='https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data',     header=None,     sep=',')df.columns=['sepal_len', 'sepal_wid', 'petal_len', 'petal_wid', 'class']df.dropna(how="all", inplace=True) # drops the empty line at file-enddf.tail()# split data table into data X and class labels yX = df.iloc[:,0:4].valuesY = df.iloc[:,4].values

然后我直接运行代码。如果我尝试使用accuracy或
balanced_accuracy等指标，一切正常（即使是许多其他指标）。我的问题是当我尝试使用roc_auc指标时，我得到了以下错误:

“ValueError: Only one class present in y_true. ROC AUC score is not defined in that case.”

这个错误已经在这里1, 这里2, 这里3, 和 这里4讨论过。然而，我无法使用他们提供的任何“解决方案”/变通方法来解决我的问题。

我的完整代码是:

回答：

Iris数据集通常是按类别排序的。因此，当你不打乱顺序进行分割时，测试数据集可能会只包含一个类别。

一个简单的解决方案是使用shuffle参数。

kfold = model_selection.KFold(n_splits=10, shuffle=True, random_state=seed)

即便如此，roc_auc也不直接支持多类格式（Iris数据集有三个类别）。

请通过这个链接了解更多关于如何在多类情况下使用roc_auc的信息。