评价指标之：AUC

2019年4月19日 上午10:27

机器学习篇-指标：AUC - 知乎

如何理解机器学习和统计中的AUC？ - 知乎

2019年5月27日 下午10:36补充
机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率 - 简书

1. 其实我认为多个角度的评价，这几个评价标准基本上可以认为是正相关关系
   1. 只不过不同的评价方法更注重的角度不同，我们根据自己的需要选取自己的评价标准就可以了

AUC概念:

1. 个例：一对
   1. 随机给定一个正样本和一个负样本，分类器输出该 正样本为正的那个概率值 比 分类器输出 该负样本为正的那个概率值 要大的可能性。
   2. 注意：
      1. 只有一对数据
      2. 求的是：大的可能性
2. 总体：从一对 扩展到 M*N对
   1. 一个正样本要和N个负样本匹配成N对
   2. 那么：将M+N个样本按照概率由大到小排序后，对于任意的一个正样本，计算比它概率小的负样本的个数
      1. 因为我们求的是大的可能性
   3. 对每一个正样本这样处理后： 然后求和，除以M*N，即为AUC

特性：

1. AUC应该反映的是分类器对样本的排序能力，另外，AUC对样本类别是否均衡并不敏感，这也是不均衡样本通常采用AUC评价分类性能的原因
2. 还有一些其他的特性：我还没有研究：

为什么使用ROC曲线

因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。