什么是AUC曲线

什么是AUC曲线

参考资料：

https://baike.baidu.com/item/AUC/19282953

https://www.zhihu.com/question/39840928

https://zhuanlan.zhihu.com/p/54707097

https://blog.csdn.net/qq_38032064/article/details/104929458

以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。

这时，需要设置阈值来得到混淆矩阵，不同的阈值会影响得到的TPRate，FPRate，如果阈值取0.5，小于0.5的为0，否则为1，那么我们就得到了与之前一样的混淆矩阵。其他的阈值就不再啰嗦了。依次使用所有预测值作为阈值，得到一系列TPRate，FPRate，描点，求面积，即可得到AUC。

最后说说AUC的优势，AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。

例如在反欺诈场景，设欺诈类样本为正例，正例占比很少（假设0.1%），如果使用准确率评估，把所有的样本预测为负例，便可以获得99.9%的准确率。

但是如果使用AUC，把所有样本预测为负例，TPRate和FPRate同时为0（没有Positive），与(0,0) (1,1)连接，得出AUC仅为0.5，成功规避了样本不均匀带来的问题。

如何绘制ROC曲线，通过改变不同的阈值，每个阈值都可以得到一个混淆矩阵，通过混淆矩阵，可以计算出假阳性率和真阳性率。即该坐标系下的一个点。将阈值从0，调整到1，即可绘制出整个模型的ROC曲线。

ROC曲线越靠近左上角，意味着，模型越棒；

https://blog.csdn.net/Hodors/article/details/120635764?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166695576316782395355799%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=166695576316782395355799&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~rank_v31_ecpm-1-120635764-null-null.article_score_rank_blog&utm_term=AUC