機器學習和統計裡面的auc的物理意義是啥？
從mann–whitney u statistic的角度來解釋，auc就是從所有1樣本中隨機選取乙個樣本， 從所有0樣本中隨機選取乙個樣本，然後根據你的分類器對兩個隨機樣本進行**，把1樣本**為1的概率為p1，把0樣本**為1的概率為p0，p1>p0的概率就等於auc。
所以auc反應的是分類器對樣本的排序能力。根據這個解釋，如果我們完全隨機的對樣本分類，那麼auc應該接近0.5。
分類器越可能把真正的正樣本排在前面，auc越大，分類效能越好。
另外值得注意的是，auc對樣本類別是否均衡並不敏感，這也是不均衡樣本通常用auc評價分類器效能的乙個原因。
概率意義
：但auc有乙個更優雅的，概率學上的意義：隨機選取乙個正例和乙個負例，分類器給正例的打分大於分類器給負例的打分的概率。
卷積的物理意義
卷積這個東東是 訊號與系統 中論述系統對輸入訊號的響應而提出的。因為是對模擬訊號論述的，所以常常帶有繁瑣的算術推倒，很簡單的問題的本質常常就被一大堆公式淹沒了，那麼卷積究竟物理意義怎麼樣呢？卷積表示為y n x n h n 使用離散數列來理解卷積會更形象一點，我們把y n 的序列表示成y 0 y 1...
卷積的物理意義
卷積這個東東是 訊號與系統 中論述系統對輸入訊號的響應而提出的。因為是對模擬訊號論述的，所以常常帶有繁瑣的算術推倒，很簡單的問題的本質常常就被一大堆公式淹沒了，那麼卷積究竟物理意義怎麼樣呢？卷積表示為y n x n h n 使用離散數列來理解卷積會更形象一點，我們把y n 的序列表示成y 0 y 1...
FFT 的物理意義
fft是離散傅利葉變換的快速演算法，可以將乙個訊號變換到頻域。有些訊號在時域上是很難看出什麼特徵的，但是如果變換到頻域之後，就很容易看出特徵了。這就是很多訊號分析採用fft變換的原因。另外，fft可以將乙個訊號的頻譜提取出來，這在頻譜分析方面也是經常用的。雖然很多人都知道fft是什麼，可以用來做什麼...