auc是常見的對二類分類器的評價指標,其大小等於roc曲線下的面積。
roc曲線的橫座標為false postive rate（fpr),縱座標為true positive rate(tpr)，
false postive rate的計算法公式: fp
r=fp
fp+t
n 其中，fp表示false positive，即負例被分成正例的個數，tn表示true negative， 即負例被分成負例的個數，false positive rate 表示負例被分錯的比例。
true postive rate 的計算公式是: tp
r=tp
tp+f
n tp表示true positive，即正例被分成正例的個數，true postive rate表示正例被分對的比例。
從上面的定義可以看出，fpr越低越好，tpr越高越好。所以，roc曲線越接近左上角，表示分類器效能越好。
那麼，如何繪製roc曲線呢？
根據roc曲線的定義，我們只需要得到一組fpr和tpr的值就可以了。具體地，分類器會對每個樣本輸出乙個**值，可以是概率值，也可以是其他含義的數字。假設我們從中選定乙個閾值，大於這個值則將樣本分為正類，小於這個閾值則將樣本分為負類。那麼閾值越高，識別到的true positive 越少，tpr越低，對應地，false positive也會越少，fpr也越低，此時對應於roc曲線上靠近原點的部分；閾值越低，識別到的true positive和false positive越多，tpr和fpr都會公升高，此時，對應roc曲線上靠近（1，1）的部分。所以，roc曲線上的每個點都對應乙個閾值，閾值最大時對應原點，即tpr=fpr=0,即把所有樣本都歸為負類，閾值最小時對應(1,1)，此時，把所有的樣本都歸為正類。即縱座標從左到右，閾值是不斷降低的。
那麼，將所有樣本按輸出值從高到低進行排序。對於每個不同的閾值，我們都可以得到一對fpr和tpr。那麼把這些(fpr,tpr)對畫在平面上就構成了roc曲線。點越多，曲線越平滑。
計算時，我們使用積分的思想來計算roc曲線下的面積，即auc。
假設有兩個點a(fp1,tp1)和b(fp2,tp2)(b點在右側)，這兩個點之間的陰影面積的大小為(f
p2−f
p1)(
tp1+
tp2)
/2然後得到auc的計算公式:
假設有n個點 au
c=∑i
=1n−
1(fp
i+1−
fpi)
∗(tp
i+tp
i+1)
/21.
2.
簡單梳理對AUC的理解
auc area under curve 是機器學習中二分類模型的乙個評價指標。定義為roc曲線中下的面積，但我們先不管定義。簡單解釋，auc代表的是真陽性率 實際陽性 猜測陽性 偽陽性率 實際陰性 猜測陽性 的概率。就拿 患糖尿病概率這一事例來說，對於真的患有糖尿病的人我們當然應該盡可能 為陽性，...
AUC直觀理解
相信這個問題很多玩家都已經明白了，簡單的概括一下，auc are under curve 是乙個模型的評價指標，用於分類任務。那麼這個指標代表什麼呢？這個指標想表達的含義，簡單來說其實就是隨機抽出一對樣本 乙個正樣本，乙個負樣本 然後用訓練得到的分類器來對這兩個樣本進行 得到正樣本的概率大於負樣本概...
ROC和AUC的理解
roc roc經常被用來評價乙個二值分類器的優劣。舉個例子，有10個樣本。分類器會計算出經過啟用函式前的score，假設score範圍是 0，1 根據score從左到右按降序排序。1，如果分類器效果很好，將樣本完美 pppppnnnnn p表示label為正，n表示label為負 2，如果分類器效果...