数据挖掘中分类指标AUC

AUC ( Area Under roc Curve )是一种用来度量分类模型好坏的一个标准。

ROC分析是从医疗分析领域引入了一种新的分类模型performance评判方法。
ROC( Receiver Operating Characteristic），其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate( FPR )，纵坐标是true positive rate( TPR )。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过( 0, 0 )，( 1, 1 )的曲线，这就是此分类器的ROC曲线。一般情况下，这个曲线都应该处于( 0, 0 )和( 1, 1 )连线的上方。因为( 0, 0 )和( 1, 1 )连线形成的ROC曲线实际上代表的是一个随机分类器。虽然，用ROC curve来表示分类器的performance很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。于是Area Under roc Curve( AUC )就出现了。AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的performance。

原文链接：(http://www.cnblogs.com/lixiaolun/p/4053499.html)