深刻理解AUC指标与ROC曲线的关系

一定要理解ROC曲线和AUC指标两者之间的关系&＃xff1a;
图中的曲线和直线的含义搞清楚&＃xff1a;

• ROC 曲线&＃xff1a;图中无论是曲线还是直线&＃xff0c;曲线或直线每一个点都代表一个阈值&＃xff0c;遍历所有的阈值&＃xff0c;就得到了ROC曲线。曲线距离左上角越近,证明分类器效果越好
• AUC指标&＃xff1a;AUC指标用曲线或直线与横轴所围成的面积来衡量&＃xff0c;即AUC的值

AUC指标的取值范围&＃xff1a;最小值为0.5&＃xff0c;也就是直线与横轴围成的面积。如果用曲线和直线分别代表医生A,B的医术&＃xff0c;则医生B为庸医&＃xff0c;因为医生B全都是蒙的,蒙对一半,蒙错一半;而医生A明显优于医生B的医术。最好的状态就是左上角的点(TPR&＃61;1,FPR&＃61;0),为完美分类,也就是这个医生医术高明,诊断全对。

• 为什么需要 AUC?
  前面我们说了 ROC曲线 可以用来给一个模型确定阈值&＃xff0c;那么 AUC 则是来评判一个 二分类的 模型的优劣。
  如果 AUC &＃61; 1:完美预测&＃xff0c;基本不会存在的情况。
  如果 0.5 如果 AUC &＃61; 0.5&＃xff1a;因为是二分类&＃xff0c;随机猜测也就是这个概率了&＃xff0c;完全就没有价值
  如果 AUC <0.5&＃xff1a;比随机猜测的概率还低&＃xff01;&＃xff01;&＃xff01;但是反过来说&＃xff0c;非黑即白&＃xff0c;如果取个反呢&＃xff1f;

参考&＃xff1a;http://blog.sina.com.cn/s/blog_52de1dc10102x880.html