Ответ
ROC-AUC останется неизменным. Эта метрика инвариантна к монотонным преобразованиям оценок (scores), так как зависит исключительно от порядка ранжирования объектов, а не от их абсолютных значений. Умножение всех оценок на положительную константу не меняет их относительный порядок, следовательно, ROC-кривая и площадь под ней (AUC) не изменятся.
Почему это важно: На практике это означает, что ROC-AUC оценивает способность модели ранжировать положительные и отрицательные примеры, а не калибровку вероятностей.
Пример на Python:
from sklearn.metrics import roc_auc_score
y_true = [0, 1, 0, 1]
scores = [0.1, 0.4, 0.35, 0.8]
scores_half = [s / 2 for s in scores] # [0.05, 0.2, 0.175, 0.4]
print(f'ROC-AUC исходный: {roc_auc_score(y_true, scores):.3f}')
print(f'ROC-AUC после деления: {roc_auc_score(y_true, scores_half):.3f}')
print(f'Метрики равны? {roc_auc_score(y_true, scores) == roc_auc_score(y_true, scores_half)}')
# Вывод:
# ROC-AUC исходный: 0.750
# ROC-AUC после деления: 0.750
# Метрики равны? True