举例说一下roc_auc_score, accuracy_score

`roc_auc_score` 和 `accuracy_score` 都是用来评价分类模型性能的指标。

`roc_auc_score`（ROC曲线下面积）是一个模型的二分类预测能力的度量，它计算模型预测正例的概率值高于负例的概率值的比例。当ROC曲线与x轴之间的面积越大时，模型的性能越好，该指标的取值范围为0到1，1表示完美的分类器，0.5表示随机分类器。在使用时，我们可以将预测的概率值作为输入来计算ROC曲线下面积。

`accuracy_score`（准确度）表示模型的预测准确率，即正确预测的样本数与总样本数之比。该指标适用于类别均衡的数据集，但对于类别不平衡的数据集，准确度可能会产生误导性的结果。在使用时，我们可以将真实标签和预测标签作为输入来计算准确度。

相关问题

roc_auc_score和score的区别

roc_auc_score和score都是用来评估模型性能的指标，但是具体含义和使用场景有一些不同。

roc_auc_score是指根据ROC曲线下的面积计算出来的评估指标，它主要用于评估二分类模型的性能。ROC曲线可以用来表示模型在不同阈值下的真正率和假正率之间的权衡关系，而ROC曲线下的面积则反映了模型对正负样本的区分能力，面积越大表示模型的性能越好。roc_auc_score的取值范围为0到1，值越接近1表示模型性能越好。

而score则是一个通用的评估指标，它可以用来评估各种不同类型的模型的性能。具体来说，score的取值范围和含义都是由具体的模型和问题决定的。例如，在线性回归问题中，score通常表示模型的R-squared值，表示模型能够解释响应变量的方差的比例。在分类问题中，score通常表示模型在测试集上的准确率或F1值等指标。

总之，roc_auc_score和score都是用来评估模型性能的指标，但是具体使用哪一个要根据具体的模型和问题来决定。

roc_auc_score的代码

以下是roc_auc_score的Python代码示例：

from sklearn.metrics import roc_auc_score

# 随机生成一个样本数据
y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]
y_scores = [0.1, 0.8, 0.2, 0.3, 0.6, 0.5, 0.9, 0.7, 0.4, 0.5]

# 计算ROC AUC得分
roc_auc = roc_auc_score(y_true, y_scores)

print('ROC AUC得分为：', roc_auc)

输出：

ROC AUC得分为： 0.8

这个示例中，我们随机生成了一些二元分类的样本数据，其中`y_true`是真实标签，`y_scores`是预测得分。然后我们使用`roc_auc_score`函数计算ROC AUC得分，并输出结果。