为什么当我在roc_auc评分中使用GridSearchCV时，grid_search.score（X，y）和roc_auc_score（y，y_predict）的分数不同？
问题内容：
我正在使用分层的10倍交叉验证来找到可预测具有最高auc的X（X具有34个标记）的y（二进制结果）的模型。我设置了GridSearchCV：
log_reg = LogisticRegression()
parameter_grid = {'penalty' : ["l1", "l2"],'C': np.arange(0.1, 3, 0.1),}
cross_validation = StratifiedKFold(n_splits=10,shuffle=True,random_state=100)
grid_search = GridSearchCV(log_reg, param_grid = parameter_grid,scoring='roc_auc',
cv = cross_validation)
然后进行交叉验证：
grid_search.fit(X, y)
y_pr=grid_search.predict(X)
我不理解以下内容：为什么grid_search.score(X,y)并roc_auc_score(y, y_pr)给出不同的结果（前者为0.74，后者为0.63）？在我的情况下，为什么这些命令没有做同样的事情？
问题答案：
这是由于在GridSearchCV中使用roc_auc时初始化不同。
roc_auc_scorer = make_scorer(roc_auc_score, greater_is_better=True,
needs_threshold=True)
观察第三个参数needs_threshold。如果为true，则将需要连续的值（y_pred例如，概率或置信度得分），这些值将在Gridsearch中从中计算log_reg.decision_function()。
当您显式调用roc_auc_scorewith时y_pr，您将使用.predict()，它将输出数据的最终预测类别标签而不是概率。那应该解释差异。
尝试：
y_pr=grid_search.decision_function(X)
roc_auc_score(y, y_pr)
如果结果仍然不同，请使用完整的代码和一些示例数据来更新问题。
