AUC计算方法总结

在机器学习的分类问题中，尤其是二分类问题中，常常需要有评判标准，那么在这些评判标准中，最常用的就是准确率、召回率、ROC和AUC。

其中，在实际使用中，我们往往使用AUC作为评判标准，那么如何计算AUC就是非常重要的。在常见的方法中，最常用的就是通过计算ROC，然后计算ROC下与X轴围成的面积作为AUC的值，但是这种方法非常简单，不会用于实际计算中。所以我们需要另外寻找方法来计算。那么，这就出现了一种非常暴力但简单的方法来计算AUC。

因为如同LR算法那样，计算得到的值是一个score，表示该样本在当前LR模型下，被判定为正样本的概率，那么我们可以对该score进行从大到小排序，然后给每个score指定其排序的序号，例如一共有n个样本，那么score最大的那个样本的排序序号就为n，依次类推；假设一共有M个正样本，有N个负样本，那么最后的AUC的计算结果为：

rank表示所有取正样本的样本的排序序号求和，通过此方法就能计算出最后的AUC值。一般来说，需要AUC值越大越好，表明模型的分类效果更佳！

本文参考：https://blog.csdn.net/pzy20062141/article/details/48711355