机器学习中auc与aupr 指的是什么？

AUC与AUPR的区别之处

1：查准率，查全率
T：True
F：Flase
P：Positive
N：negative
什么是真正例（TP），假反例（FN），假正例（FP），真反例（TN）。

查准率关心的是”预测出正例的正确率”即从正反例子中挑选出正例的问题。
查全率关心的是”预测出正例的保证性”即从正例中挑选出正例的问题。

ROC是TPR为y轴，FPR为x轴做的曲线图
AUC即AUROC，为ROC曲线下的面积。

AUPR是pr曲线下的面积，PR即 召回率和正确率组成的曲线图。

AUC与AUPR的区别是什么?

主要的区别是，一个是作用在平衡数据集中，一个是作用在高度不平衡的数据集中。
如果只有较高的召回率，只能说明你的模型或者方法可以预测出较多的数据，但并不能保证预测出的样本是正确的。
如果只有较高的正确率，说明所预测的样本的正确的，但只能是很少一部分数据集。

如何判断平衡？

数据集合中的正样本和负样本的比率。我现在所用的数据就是负样本很多，而正样本比较少的数据集合。正样本在集合中占比低于10%。