AUC 理论推导
2021-09-28 本文已影响0人
小小兰哈哈
一. 应用场景
1.分类
2. ranking
二. AUC的意义解释
在随机抽取两个正负样本，负样本得分比正样本高的比例. 这样的解释，在分类场景和rank场景都能说得通.
三. 求法
概念:
混淆矩阵
TPR(真阳率): TPR = TP/(TP+FN) = TP/(正样本数)
FPR(伪阳率): FPR = FP/(FP+TN) = FP/(负样本数)
然后画一个ROC曲线，横轴: FPR, 纵轴: TPR, AUC就是ROC曲线下的面积
【重点】 理论推导
这样，就连通了求法和AUC的物理含义了.
