【机器学习】为什么随机分类时，AUC = 0.5？

关于ROC和AUC的介绍，可以参考维基百科。

这里仅谈个人对随机分类下ROC曲线的理解，即为什么随机分类时，AUC = 0.5？

若理解有误，恳请大佬指导↖(^ω^)↗

 

一、混淆矩阵：

 

二、ROC曲线：

横坐标：FPR = b1 / ( b1 + b2 ) = 预测为正，实际为负 / 总负样本数 = 负样本预测错误数 / 总负样本数

纵坐标：TPR = a1 / ( a1 + a2 ) = 预测为正，实际为正 / 总正样本数 = 正样本预测正确数 / 总正样本数 = 正样本的召回率

 

 

三、分类器

总样本：1000

正样本：100；占比10%（可以理解为随机抽取样本，为正样本的概率为10%）

负样本：900；占比90%

 

1、随机模