原文链接

1 ROC

首先介绍 ROC。ROC 分析是从医疗分析领域引入了一种新的分类模型 performance 评判方法。

ROC 的全名叫做 Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是 false positive rate(FPR)，纵坐标是 true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个 TPR 和 FPR 点对。这样，此分类器就可以映射成 ROC 平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过(0, 0)，(1, 1)的曲线，这就是此分类器的 ROC 曲线。一般情况下，这个曲线都应该处于(0, 0)和(1, 1)连线的上方。因为(0, 0)和(1, 1)连线形成的 ROC 曲线实际上代表的是一个随机分类器。虽然，用 ROC curve 来表示分类器的 performance 很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。于是 Area Under roc Curve(AUC)就出现了。

2 AUC

AUC 是一种用来度量分类模型好坏的一个标准。顾名思义，AUC 的值就是处于 ROC curve 下方的那部分面积的大小。通常，AUC 的值介于 0.5 到 1.0 之间，较大的 AUC 代表了较好的 performance。

AUC 的计算方法总结：

AUC 的值就是计算出 ROC 曲线下面的面积

学习更多编程知识，请关注我的公众号：