AUC的本质

AUC的本质：

一个正例，一个负例，预测为正的概率值比预测为负的概率值还要大的可能性。

理解
二分类的准确率为100%
那么你就可以找到一个很好的阈值，将这两类分割开
则正类的预测概率永远比负类的大
也就是AUC=1
你想一下，如果这个可能性为100%的话
你计算出来的正样本的这个值（概率）比负样本（概率）大的可能性（其实也是概率）
这里是说给你一个正样本和一个负样本
就是我们比如logistic回归，输出一个值来表示分类，输出的值的意义是表示正类的概率，比如我们的阈值是0.5，那么输出0.7, 0.8的样本就都是正类，而输出0.3, 0.2的是负类。
这种一般都是用来判断二分类的性能的
你理解了吧，反正我是理解了。
这样面积不就为1
100%的roc就是非常完美啊，顺着y轴上升，然后横过去啊
如果这个可能性不是100%，那么就说明有一些负类，他输出的值比一些正类的还要大，那么这时候这些负类就可能是FP(False Positive，被误认为是正类），而那些值比这些负类小的正类就可能成为FN(False Negative，被误认为是负类）