Scikit-learn roc_curve：为什么阈值 [0] 设置为大于 1 的值？
Scikit-learn roc_curve: why is thresholds [0] set to have values greater than 1?
我知道要绘制看起来合理的 ROC 曲线，需要有一个包含 0 个数据点的阈值；但为什么不将此值设置为 1？
难道不应该理所当然地认为没有某些预测（即它们的概率等于 100%）吗？
查看默认设置似乎可以预测概率等于 1，我不明白为什么。
thresholds : ndarray of shape = (n_thresholds,)
Decreasing thresholds on
the decision function used to compute fpr and tpr. thresholds[0]
represents no instances being predicted and is arbitrarily set to
max(y_score) + 1.
可以使用任何置信度度量来生成 ROC 曲线，而不仅仅是预测概率。特别是，在 sklearn 中，可以使用 decision_function 方法代替 predict_proba。 （这很重要；例如，SVM 不会自然地产生概率，但是到超平面的符号距离可以为 ROC 目的进行良好的排序。）
shouldn't it be taken for granted that there are no certain predictions (ie that they have a probability equal to 100%)?
这也不一定正确：具有纯叶的决策树的概率预测正好为 1，甚至逻辑回归模型也可能预测某些因数值精度限制而四舍五入为 1 的值。
我知道要绘制看起来合理的 ROC 曲线，需要有一个包含 0 个数据点的阈值；但为什么不将此值设置为 1？
难道不应该理所当然地认为没有某些预测（即它们的概率等于 100%）吗？
查看默认设置似乎可以预测概率等于 1，我不明白为什么。
thresholds : ndarray of shape = (n_thresholds,)
Decreasing thresholds on the decision function used to compute fpr and tpr. thresholds[0] represents no instances being predicted and is arbitrarily set to max(y_score) + 1.
可以使用任何置信度度量来生成 ROC 曲线，而不仅仅是预测概率。特别是，在 sklearn 中，可以使用 decision_function 方法代替 predict_proba。 （这很重要；例如，SVM 不会自然地产生概率，但是到超平面的符号距离可以为 ROC 目的进行良好的排序。）
shouldn't it be taken for granted that there are no certain predictions (ie that they have a probability equal to 100%)?
这也不一定正确：具有纯叶的决策树的概率预测正好为 1，甚至逻辑回归模型也可能预测某些因数值精度限制而四舍五入为 1 的值。