一、定义
ROC曲线与坐标轴围成的面积。ROC曲线由不同阈值下,TPR(Y轴)与FPR(X轴)两个指标绘制而成。
二、性质
- 体现排序的优劣,AUC的物理意义是从测试集中任选一个正样本,再任选一个负样本,模型对正样本预测分值大于负样本的概率。
- 理论上不受**、验证/测试**集中正负样本比例的影响。
三、计算
3.1 方法一(根据定义)
- 按照定义,绘制ROC曲线,计算曲线下面积,计算较复杂。
3.2 方法二(根据意义)
- 按照AUC性质1,遍历所有的正负样本对,计算其中正样本分数大于负样本分数的样本对的比例。
- 复杂度为 O ( n 2 ) O(n^2) O(n2)
3.3 方法三(方法二优化)
- 方法二的优化,先对所有的预测样本按照预测分数从小到大排序,依次遍历所有正样本,计算排在每个正样本之前的负样本数量的和。即:
A U C = ∑ i ε positiveClass rank i − P ( 1 + P ) 2 P × N A U C=\frac{\sum_{i \varepsilon \text { positiveClass }} \operatorname{rank} _{i}-\frac{\operatorname P(1+\operatorname P)}{2}}{\operatorname P \times \operatorname N} AUC=P×N∑iε positiveClass ranki−2P(1+P)
其中, P \operatorname P P为正样本数量, N \operatorname N N为负样本数量, r a n k i rank_i ranki为第 i i i个正样本前面有多少个样本, i i i从1开始计。 - 复杂度为排序阶段的 O ( n log n ) O(n\log n) O(nlogn)。
3.4 方法四(工业场景)
- 涉及分桶、并行等,将方法三中的排序算法改为可并行的分桶排序即可。此外还可以近似将落到同一个桶中的分数视为相同值,从而进一步提高计算效率,但会损失一定精度。
四、物理意义推导
为什么AUC表示任选一个正样本,再任选一个负样本,正样本预测分数大于负样本的概率?
证明思路为根据AUC定义,使用积分求ROC曲线下面积,对积分进行展开即可。
A
U
C
=
∫
0
1
TPR
d
FPR
=
∫
0
1
TP
P
d
FP
N
=
∑
i
=
0
N
−
1
TP
FP
=
i
P
×
N
=
∑
i
ε
positiveClass
rank
i
−
P
(
1
+
P
)
2
P
×
N
\begin{aligned} AUC&=\int_0^1\operatorname{TPR}d_{\operatorname{FPR}}\\ &=\int_0^1\frac{\operatorname{TP}}{\operatorname{P}}d\frac{\operatorname{FP}}{\operatorname N}\\\\ &=\frac{\sum_{i=0}^{\operatorname N-1}\operatorname{TP}_{\operatorname{FP}=i}}{\operatorname P\times \operatorname N}\\ &=\frac{\sum_{i \varepsilon \text { positiveClass }} \operatorname{rank} _{i}-\frac{\operatorname P(1+\operatorname P)}{2}}{\operatorname P \times \operatorname N} \end{aligned}
AUC=∫01TPRdFPR=∫01PTPdNFP=P×N∑i=0N−1TPFP=i=P×N∑iε positiveClass ranki−2P(1+P)
式中,第二行的积分,将自变量FPR换元为FP,积分转化为第三行中区间0到N-1之间的离散函数求和。
第三行分母表示所有(正,负)样本对数量,分子为其中正样本预测分数大于负样本预测分数的样本对数量(对所有样本按照预测分数排序后,依次从大到小遍历FP样本对应的分数作为阈值,计算该阈值对应的TP进行求和)。