Target scores need to be probabilities for multiclass roc_auc, i.e. they should sum up to 1.0 over classes

是的，对于多分类问题的ROC AUC评价指标，目标分数需要是每个类别的概率，即对于每个样本而言，各个类别的预测概率之和应该等于1。

在使用sklearn库计算多分类ROC AUC时，可以使用predict_proba()方法得到每个类别的概率分数，然后将其作为目标分数进行计算。下面是一个示例代码：

from sklearn.datasets import make_classification
from sklearn.multioutput import MultiOutputClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# 生成多分类数据
X, y = make_classification(n_samples=1000, n_features=10, n_classes=3, n_informative=5, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练随机森林模型
rf = RandomForestClassifier(n_estimators=100, random_state=42)
multi_rf = MultiOutputClassifier(rf, n_jobs=-1)
multi_rf.fit(X_train, y_train)

# 预测测试集
y_pred = multi_rf.predict_proba(X_test)

# 计算AUC
auc = roc_auc_score(y_test, y_pred, multi_class='ovr')
print('Multi-class AUC: %.3f' % auc)

其中，predict_proba()方法返回每个类别的概率分数。在计算AUC时，multi_class参数指定采用One-vs-Rest方法进行计算。注意，y_test的格式应该是one-hot编码，即每个样本的标签应该是一个向量，向量的长度等于类别数，每个位置上的值为0或1。