我从务实的角度回答这个问题，只是通过查看代码并从示例中推断出来。一个更理论的答案可能是一个很好的补充。

一般两者都可以使用。区别在这里得到了很好的解释。

然而最相关的是，并非所有算法都提供predict_proba和decision_function。据我所知，每个分类器都允许predict_proba在 sklearn 中使用。对于某些人——特别是 SVC（支持向量分类）——两者都给出完全相同的结果。为了检查，我使用了这个predict_proba示例并使用和 once更改了代码一次decision_function。

具体来说，我改变了：

probas_ = classifier.fit(X[train], y[train]).predict_proba(X[test])
# Compute ROC curve and area the curve
fpr, tpr, thresholds = roc_curve(y[test], probas_[:, 1])

至：

probas_ = classifier.fit(X[train], y[train]).decision_function(X[test])
# Compute ROC curve and area the curve
fpr, tpr, thresholds = roc_curve(y[test], probas_)   

两者都产生与您在图像中看到的完全相同的结果：

然而，这仅适用于 SVC，其中到决策平面的距离用于计算概率 - 因此 ROC 没有差异。

在另一个示例中，特定的代码行与此问题相关：

if hasattr(clf, "decision_function"):
    Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
else:
    Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]

因此，从 sklearn 示例中推断，我建议您decision_function尽可能使用 ，如果没有，请使用 提供的概率predict_proba。

decision_function在 sklearn 中不提供 a 的算法示例：

• KNeighborsClassifier()
• RandomForestClassifier()
• GaussianNB()