如果我在 CNN 中获得相同的 AUC 和 AUROC 值，这意味着什么？

Question

我正在运行一个卷积神经网络。完成运行后，我使用一些指标来评估模型的性能。其中 2 个指标是来自 sklearn 的 auc 和 roc_auc_score

AUC函数：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.auc.html?highlight=auc#sklearn.metrics.auc

AUROC 函数：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html#sklearn.metrics.roc_auc_score

我使用的代码如下：

print(pred)
fpr, tpr, thresholds = metrics.roc_curve(true_classes, pred, pos_label=1)
print("-----AUC-----")
print(metrics.auc(fpr, tpr))
print("----ROC AUC-----")
print(metrics.roc_auc_score(true_classes, pred))

其中 true_classes 是一个表格，其形式为：[0 1 0 1 1 0] 其中 1 是正标签，0 是负标签。

而pred是模型的预测：

prediction = classifier.predict(test_final)
prediction1 = []
predictions = []
for preds in prediction:
    prediction1.append(preds[0])

pred = prediction1

但是，无论我运行多少次测试，我都会得到相同的 AUC 和 ROC AUC 值（我的意思是每次测试中的 AUC 和 ROC AUC 值都是相同的。并不是说它们在所有测试。例如，对于测试 1，我得到 AUC = 0.987 和 ROC_AUC = 0.987，对于测试 2，我得到 AUC = 0.95 和 ROC_AUC = 0.95)。难道我做错了什么？还是正常？

Answer 1

根据链接的文档，metrics.auc 是根据曲线点计算曲线下面积的一般案例方法。

metrics.roc_auc_score是一种用于计算ROC曲线下面积的具体案例方法。

如果您使用相同的数据来计算两者，您不会期望看到不同的结果，因为metrics.roc_auc_score 将做与metrics.auc 相同的事情，并且很可能使用metrics.auc 方法本身，在引擎盖（即针对特定任务计算 ROC 曲线下面积的通用方法）。