请问我这个ROC曲线和AUC值计算有没有问题

Question

目前在做多分类的机器学习模型，计算准确率等指标，绘制多分类ROC曲线，计算AUC值，目前遇到的问题是准确率和AUC差距比较大，在准确率比较低的情况下，AUC看起来仍然挺高。在准确率比较高情况下，AUC看起来就特别的高，好几个模型AUC都是0.99以上，看起来挺假的，画出图来反而不太好看。哪位帮忙看看，我计算有没有问题，或者AUC值它就是这个样子。
下面是计算模型准确率、绘制混淆矩阵、绘制roc曲线和计算auc值的一段代码，以逻辑回归为例。

#下面是逻辑回归
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import ConfusionMatrixDisplay
from sklearn.linear_model import LogisticRegression

regmodel = LogisticRegression()
regmodel.fit(X_train, y_train) #训练模型

# 准确率评分、混淆矩阵和分类报告

regmodel_acc = accuracy_score(y_test, regmodel.predict(X_test))

print(f"Training Accuracy of LogisticRegression is {accuracy_score(y_train, regmodel.predict(X_train))}")
print(f"Test Accuracy of LogisticRegression is {regmodel_acc} \n")

print(f"Confusion Matrix :- \n{confusion_matrix(y_test, regmodel.predict(X_test))}\n")
print(f"Classification Report :- \n {classification_report(y_test, regmodel.predict(X_test),digits=3)}")


ConfusionMatrixDisplay.from_predictions(y_test,regmodel.predict(X_test),display_labels=["1级", "2级", "3级","4级", "5级", "6级"],cmap=plt.cm.Blues, colorbar=True)
plt.title("LogisticRegression")
plt.grid(False)

#下面是画roc曲线和计算auc值
probability=regmodel.predict_proba(X_test)
from sklearn.preprocessing import OneHotEncoder

# 创建OneHotEncoder对象
encoder = OneHotEncoder(sparse=False)
 
# 将y_test转换成二维数组形式
y_test_array = [[label] for label in y_test]
 
# 进行One-Hot编码
y_test_encoded = encoder.fit_transform(y_test_array)
import matplotlib.pyplot as plt
from itertools import cycle
from sklearn.metrics import roc_curve, auc
from scipy import interp

y_label = y_test_encoded
y_score = probability
n_classes = 6
# 计算每一类的ROC
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_label[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])
# micro（方法二）
fpr["micro"], tpr["micro"], _ = roc_curve(y_label.ravel(), y_score.ravel())
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
# macro（方法一）
# First aggregate all false positive rates
all_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)]))
# Then interpolate all ROC curves at this points
mean_tpr = np.zeros_like(all_fpr)
for i in range(n_classes):
    mean_tpr += np.interp(all_fpr, fpr[i], tpr[i])
# Finally average it and compute AUC
mean_tpr /= n_classes
fpr["macro"] = all_fpr
tpr["macro"] = mean_tpr
roc_auc["macro"] = auc(fpr["macro"], tpr["macro"])
# Plot all ROC curves
lw=2
plt.figure()
plt.plot(fpr["micro"], tpr["micro"],
         label='micro-average ROC curve (area = {0:0.2f})'
               ''.format(roc_auc["micro"]),
         color='deeppink', linestyle=':', linewidth=4)
 
plt.plot(fpr["macro"], tpr["macro"],
         label='macro-average ROC curve (area = {0:0.2f})'
               ''.format(roc_auc["macro"]),
         color='navy', linestyle=':', linewidth=4)
 
colors = cycle(['aqua', 'darkorange', 'cornflowerblue'])
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=lw,
             label='ROC curve of class {0} (area = {1:0.2f})'
             ''.format(i, roc_auc[i]))
 
plt.plot([0, 1], [0, 1], 'k--', lw=lw)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('LogisticRegression ROC')
plt.legend(loc="lower right")
plt.show()

下面是分类结果：

可以看到准确率只有0.598

下面是roc和auc

可以看到auc是0.90
这个准确率和auc是不是差距有点大了？

再来看xgboost，代码跟上面基本一样。
下面是分类结果

可以看到准确率是0.908

下面是roc和auc

auc直接到了0.994

以上计算是正确的吗，准确率和auc有没有问题呢？

Answer 1

引自强大而免费的微信小程序：皆我工具箱。

准确率和AUC值的差距在某些情况下可能会存在。AUC值表示ROC曲线下方的面积，它评估的是模型正确地对正样本和负样本进行排序的能力，而不是预测的准确性。因此，即使分类器的准确率较低，但如果它在样本排序方面表现良好，AUC值仍然可以较高。

在你提供的代码中，看起来计算AUC的步骤是正确的。然而，你使用的是OneHotEncoder对y_test进行编码，这可能导致AUC值的偏高。在多分类问题中，通常建议将目标变量进行标签编码，而不是独热编码。你可以尝试使用LabelEncoder来处理y_test，然后再计算AUC值，看看结果是否有所改变。

此外，AUC值还可能受到数据集不平衡的影响。如果数据集中的正负样本比例严重失衡，在计算AUC时可能会出现偏差。你可以尝试使用其他评估指标，如精确度、召回率等，来更全面地评估模型的性能。

最后，判断模型性能时，建议不仅仅依赖于单一指标，而是综合考虑多个指标来评估模型的效果。这样可以更全面地了解模型的性能，并避免将结果过度解读。