本文详细介绍了AUC的概念，它是ROC曲线下的面积，衡量了分类器对样本排序的能力。AUC越大，分类器性能越好。文章讨论了AUC与正确率的区别，并提供了AUC的Python计算示例，以及相关资源链接供进一步学习。
1.AUC的含义
AUC是ROC曲线下的面积，它是机器学习用于二分类模型的评价指标，AUC反应的是模型对样本的排序能力。它的统计意义是：随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。
ROC曲线的横坐标为false postive rate（fpr),纵坐标为true positive rate(tpr)，
false postive rate的计算法公式:
其中，fp表示false positive，即负例被分成正例的个数，tn表示true negative， 即负例被分成负例的个数，false positive rate 表示负例被分错的比例。
true postive rate 的计算公式是:
最低0.47元/天 解锁文章
393
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
