AUC 与 mAP

https://www.cnblogs.com/zf-blog/p/6734686.html

 

AUC和MAP之间的联系：

AUC主要考察模型对正样本以及负样本的覆盖能力（即“找的全”），而MAP主要考察模型对正样本的覆盖能力以及识别能力（即对正样本的“找的全”和“找的对”）

 

 

深入理解AUC

https://tracholar.github.io/machine-learning/2018/01/26/auc.html

AUC实际上在说一个模型把正样本排在负样本前面的概率！

AUC另外一个性质，对正负样本比例不敏感

 

通俗理解AUC

https://segmentfault.com/a/1190000010410634?utm_source=tag-newest

• 横轴：False Positive Rate（假阳率，FPR） 通俗来讲就是，实际结果为负，预测错了的概率。   或者说， 预测为正样本但是预测错了的可能性
• 纵轴：True Positive Rate（真阳率，TPR）  通俗来讲就是，实际结果为正，预测对了的概率。   或者说， 预测为正样本但是预测对了的可能性

note: 纵轴就是recall.

显然，ROC曲线的横纵坐标都在[0,1]之间，自然ROC曲线的面积不大于1。现在我们来分析几个特殊情况，从而更好地掌握ROC曲线的性质：

• (0,0)：假阳率和真阳率都为0，即分类器全部预测成负样本
• (0,1)：假阳率为0，真阳率为1，全部完美预测正确，happy
• (1,0)：假阳率为1，真阳率为0，全部完美预测错误，悲剧
• (1,1)：假阳率和真阳率都为1，即分类器全部预测成正样本
• TPR＝FPR，斜对角线，预测为正样本的结果一半是对的，一半是错的，代表随机分类器的预测效果