AUC和排序损失(Rank loss)的关系（详细解释，通俗易懂）

        在上一篇文章中我们分享了AUC的公式以及在图中所围的面积，此次我们分享一下AUC和排序损失的一个关系。

我们回顾一下AUC的公式：

        我们说AUC就代表的是每两个坐标所围成的梯形求面积然后相加。AUC衡量的是分类器在所有可能的分类阈值上的性能。

它的图像表示为：

一般认为 ，AUC的值越大，分类器的性能越好。

        在介绍排序损失之前，我们需要先介绍一下机器学习的赋值。

        举个例子，假如我现在有十张照片，照片内容是数字，我现在需要机器学习识别出数字5的照片，那机器学习是怎样操作的呢？其实是这样的，计算机根据之前数据集训练的规则，然后给这10张照片赋值，如下表所示：

        这个赋值都在0到1之间，假如说现在我设置阈值为0.5，那大于0.5的，都识别为数字5，阈值的设定直接影响查全率和查准率，我们也可以看到，大于0.5的值里面。照片数字也不一定是数字5，这就是有识别错误的照片，了解完这个我们就可以介绍一下排序损失了。

排序损失的公式如下：

哇，公式好长，没关系，别慌，咱们一个一个解释里面的字母含义！（公式自己拐弯的，整不回来了）

：正例个数

：负例个数

：正例集合

：负例集合

：相当于一个布尔发生器，当括号内条件满足时输出1，不满足时输出0。

：机器学习的预测规则，相当于数学上的一个函数。

你看，是不是也就那样，不难叭~

如果正例的预测值小于反例（就相当于上述说的赋值），则记一个“罚分”（就是布尔发生器输出1），若相等，则记0.5个“罚分”(后面那个，前面乘了一个0.5，所以记0.5)。

        Rank loss衡量的是分类器输出的预测值与实际标签的一致性。在二分类问题中，Rank loss通常指的是正样本的预测值低于负样本预测值的情况。理想情况下，我们希望正样本的预测值高于负样本。

        对应ROC曲线上的面积就如下图所示

我们观察AUC和Rank loss所围的面积不难发现，它们两个的关系如下：

        在图上表示为：

怎么样，不难理解叭~

ok，这篇就到这里啦，欢迎小伙伴们批评指正~（知识来源于西瓜书，图片自制）