AUC：直观理解AUC为何会对正负样本数分布不均匀情况鲁棒

  AUC长用来衡量分类器，是一个十分常用的分类器衡量指标。AUC对正负样本数分布不均匀情况具有鲁棒性，这篇blog直观的看一下为何AUC会具有如此的特性。

ROC与AUC

  AUC是ROC曲线与横坐标围成的面积，如下（图是抄别人的）：

  根据混淆矩阵

  ROC曲线的横轴FPR，和纵轴TPR分别定义为：

$$FPR=\frac{FP}{FP+TN}$$

$$TPR=\frac{TP}{TP+FN}$$

所以，FPR和TPR的分母分别是负样本个数和真样本个数，当样本空间确定时，FPR和TPR的分母都是定值。假设我们有M个样本，根据模型预估得到了M个预估分，根据预估分从高到低排序，在设定一个阈值指针，阈值指针从最高分的样本开始向最低分移动，每次移动后，以该阈值指针为分割点，大于等于该阈值指针指向样本预估分的样本，为预测正例，小于的