我构建了一个 SVM 分类器，但得到了一条逆 ROC 曲线。AUC 仅为 0.08。我使用相同的数据集来构建逻辑回归分类器和决策树分类器，它们的 ROC 曲线看起来不错。
这是我的 SVM 代码：
from sklearn.svm import SVC
svm = SVC(max_iter = 12, probability = True)
svm.fit(train_x_sm, train_y_sm)
svm_test_y = svm.predict(X = test_x)
svm_roc = plot_roc_curve(svm, test_x, test_y)
plt.show()
谁能告诉我我的代码有什么问题？
对于任何分类问题，如果 AUC<0.5，您的表现并不比随机 (0.5) 好。
原因可能是：
一个有效的策略是将预测简单地反转为：
invert_prob=1-prob
参考：中华民国
一种可能的解决方法是删除max_iter = 12（这会将其设置为 scikit learn 默认值max_iter=-1）。从以下示例中可以看出，使用如此低的值可能会导致分数不佳：
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import plot_roc_curve
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)
model = SVC(max_iter=12, probability = True)
model.fit(X_train, y_train)
plot_roc_curve(model, X_test, y_test)
结果是
但是，再次执行完全相同的代码（max_iter=12仍然）会给出完全不同的结果：
删除max_iter=12代码后，始终会产生更高的 AUC，大约在到之间。