深入理解实际场景下 AUC vs F1 的区别——不说废话

(创作不易，转载请注明出处~)

面试的时候经常被问的一个问题是 AUC和F1 score有什么区别。笔者看了很多博文，感觉相当一部分在分析混淆矩阵和auc、f1的定义上花了太多笔墨，但对于两者的区别和联系，有种到了门前就差临门一脚的感觉。因此笔者去stack overflow上找了很多回答，感觉收获很多，在此简明扼要的写一下收获。如有纰漏欢迎指正。

1、定义：

AUC的优化目标：TPR和(1-FPR)
F1的优化目标：Recall和Precision

这里不再对混淆矩阵(TP、FP、TN、FN)相关的一些很细的概念做详细解释，推荐去看一下auc的维基百科。这里解释一下为什么auc的优化目标是TPR和(1-FPR)。

大家知道AUC指的是ROC曲线下的面积大小。而ROC曲线是由TPR和FPR为轴的曲线。如果希望auc更大，那么在给定TPR的情况下，我们是希望FPR越小越好的，同样给定FPR，希望TPR越大越好，这样才能给曲线拉向对角线上方。所以我们可以认为：优化auc就是希望同时优化TPR和(1-FPR)。另外，TPR又被成为sensitivity(灵敏度)，(1-FPR)又被成为specificity(特异度)

优化F1就是希望同时优化recall和precision这个比较好理解，因为F1的计算公式就是：
$$F1score=reca$$