Что будет, если на вход функции, вычисляющей ROC-AUC, дать бинарные предсказания

ROC-AUC для бинарных предсказаний (0 или 1) будет равна accuracy, так как модель не выдаёт вероятности, а только классы. ROC-кривая вырождается в две точки: (0,0) и (1,1), а площадь под ней (AUC) будет равна доле правильных предсказаний.

Пример:

from sklearn.metrics import roc_auc_score

y_true = [0, 1, 0, 1]
y_pred = [0, 1, 1, 0]  # бинарные предсказания

auc = roc_auc_score(y_true, y_pred)
print(auc)  # 0.5 (как accuracy)

Важно: ROC-AUC теряет смысл для бинарных предсказаний, лучше использовать метрики типа accuracy, precision, recall.