目录
什么是AUC？
图片来源：https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5
AUC（Area Under the ROC Curve）是一种用于评估二分类模型性能的指标 ，表示ROC曲线下的面积 。ROC（Receiver Operating Characteristic）曲线是一种以 False Positive Rate（FPR）为横坐标 、True Positive Rate（TPR）为纵坐标的曲线。
F P R = F P F P + T N FPR=\frac{FP}{FP+TN} FPR=FP+TNFP
T P R = T P T P + F N = R e c a l l TPR=\frac{TP}{TP+FN}=Recall TPR=TP+FNTP=Recall
在二分类问题中，TPR 表示正样本被正确预测为正样本的比例，即 Recall；FPR 则表示负样本被错误预测为正样本的比例。AUC 越大，说明分类器性能越好；AUC = 0.5，则说明分类器性能等同于随机分类。
在样本全为 TP（TN） 的情况下，由于 FPR（TPR） 无法计算，因此 ROC 曲线无法绘制，AUC（Area Under the ROC Curve）无法计算。
AUC 具有以下优点：
- AUC 不受分类器的阈值选择影响，因此对于不同的分类器比较性能更具有普适性。
- AUC 可以很好地应用于样本不平衡的情况，即当负样本比正样本多得多时，仍能准确评估分类器性能。
- AUC 的计算方法简单，只需要对 ROC 曲线下的面积进行计算即可。
如果觉得这篇文章有用，就给个赞 👍和收藏⭐️吧！也欢迎在评论区分享你的看法！
参考
- Classification: ROC and AUC by Google
- Understanding AUC - ROC Curve by Sarang Narkhede