AUC

一、ROC

首先，在试图弄懂AUC和ROC曲线之前，首先要彻底理解混淆矩阵的定义！

混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下：

• 称预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）。
• 预测正确的为True（真），预测错误的为False（伪）。

   

 

表示的意义是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的。

换句话说，分类器对于正例和负例毫无区分能力，和抛硬币没什么区别，一个抛硬币的分类器是我们能想象的最差的情况，因此一般来说我们认为AUC的最小值为0.5（当然也存在预测相反这种极端的情况，AUC小于0.5，这种情况相当于分类器总是把对的说成错的，错的认为是对的，那么只要把预测类别取反，便得到了一个AUC大于0.5的分类器）。

 

 

二、AUC

AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积。

 

 fpr,tpr,threshold维数等于preds中唯一值数量确定。

 

参考：(52条消息) AUC原理详细讲解_晚睡的人没对象的博客-CSDN博客

(52条消息) 带你真正吃透AUC_auc曲线_OhMyJayce的博客-CSDN博客