在实际业务中,经常会出现AUC线上线下不一致的情况。例如,在离线评估中,AUC提升,但线上指标下降。这篇文章参考2013年KDD论文《Predictive Model Performance: Offline and Online Evaluations》,讨论AUC的特性。本文假设读者对二分类模型的评估有基本的了解。关于AUC的基础知识,可参考http。
优势
在工业场景中,AUC常常被用来评价模型的好坏。它的优势包括:
- 若使用ACC(Accuracy)作为评价指标,ACC的数值与阈值选择有直接的关系。AUC排除了阈值的干扰。
- AUC有物理含义,即0.5表示预测结果完全随机,1表示完美拟合。
- AUC可以评价线上和线下的效果。
缺点
正如硬币有两面一样,AUC也不是完美的。在实际工作中,经常会遇到离线AUC提升,而线上效果变差。针对此类问题,论文进行了详细的讨论。
AUC全局指标
AUC是一个全局指标,它无法反应模型的局部特性。相同AUC的两个模型,它的pCTR可能完全不同。在CTR在线预估中,一个well-fitted的模型需要使pCTR(预测CTR)与aCTR(真实CTR)尽可能的小。下图所示:
![AUC比较1](https://i-blog.csdnimg.cn/blog_migrate/55b383776d01116bd0fe8f7712c5126b.png)
其中Avg pClick对应pCTR,Actual CTR对应aCTR,TPR、FPR对应ROC曲线的纵轴和横轴,Trapezoid对应梯形面积。从细微指标 p C T R a C T R \frac{pCTR}{aCTR} aCTR