深刻理解AUC指标与ROC曲线的关系

一定要理解ROC曲线和AUC指标两者之间的关系：

图中的曲线和直线的含义搞清楚：

• ROC 曲线：图中无论是曲线还是直线，曲线或直线每一个点都代表一个阈值，遍历所有的阈值，就得到了ROC曲线。曲线距离左上角越近,证明分类器效果越好
• AUC指标：AUC指标用曲线或直线与横轴所围成的面积来衡量，即AUC的值

AUC指标的取值范围：最小值为0.5，也就是直线与横轴围成的面积。如果用曲线和直线分别代表医生A,B的医术，则医生B为庸医，因为医生B全都是蒙的,蒙对一半,蒙错一半;而医生A明显优于医生B的医术。最好的状态就是左上角的点(TPR=1,FPR=0),为完美分类,也就是这个医生医术高明,诊断全对。

• 为什么需要 AUC?
  前面我们说了 ROC曲线 可以用来给一个模型确定阈值，那么 AUC 则是来评判一个 二分类的 模型的优劣。
  如果 AUC = 1:完美预测，基本不会存在的情况。
  如果 0.5 < AUC < 1：除了完美预测，那就乘这个区间的最有价值了。
  如果 AUC = 0.5：因为是二分类，随机猜测也就是这个概率了，完全就没有价值
  如果 AUC < 0.5：比随机猜测的概率还低！！！但是反过来说，非黑即白，如果取个反呢？

参考：http://blog.sina.com.cn/s/blog_52de1dc10102x880.html