我们都知道AUC表示ROC曲线下的面积，下面两种计算格式（二分类）：
# 带入预测的概率进行计算 roc1=roc_auc_score(y_test, model.predict_proba(x_test)[:, 1]) # 带入预测的分类进行计算 roc2=roc_auc_score(y_test, model.predict(x_test))
结果是roc2小于roc1
为什么呢？如图，ROC是通过将不同threshold的x轴（FPR）和y轴（TPR）的点连接而成的曲线， AUC就是ROC下的面积。
threshold：划分预测分类的分界，一般大于0.5就认为是target，但是没规定必须是0.5，也可以是其他值
predict_proba得到的是预测的概率，不同的threshold会有不同的TPR和FPR，可以得到上图圆滑的曲线
predict则不同，输出结果的时候已经固定了threshold，默认为0.5，所以它的roc曲线呈现以下格式，一种折线的形式
如果是相同模型，同时画出这两条曲线，折线会在曲线的下方，这也解释了为什么前面计算的roc结果不同，同时roc2小于roc1的原因，因为曲线下的面积不同，同时曲线下的面积大于折线的面积
参考sklearn学习：为什么roc_auc_score()和auc()有不同的结果？：https://www.programminghunter.com/article/4582657422/
