auc到多少有意义_机器学习评估指标 AUC 综述

作者：吴海波 蘑菇街

整理：大数据与机器学习

来源：误入机器学习的码农@知乎专栏

▌引言

在互联网的排序业务中，比如搜索、推荐、广告等，AUC ( Area under the Curve of ROC ) 是一个非常常见的评估指标。网上关于 AUC 的资料很多，知乎上也有不少精彩的讨论，本文尝试基于自身对 AUC 的理解做个综述，水平有限，欢迎指出错误。

俗话说，提出正确的问题就成功了一半，本文先提出以下几个问题，希望大家读完能够加深对下列问题的理解。

1. AUC 有几种理解？
2. AUC 的什么特性让它如此受欢迎？
3. AUC 的值和什么有关，多高是高？
4. AUC 提高了是否代表线上指标会提高？
5. 有没有更好的指标替代 AUC？

▌几种 AUC 的理解

一般有两大类解释，一种是基于 ROC 线下面积，需要理解混淆矩阵，包括精确率、召回率、F1 值、ROC 等指标的含义。另外一种是基于概率的解释，模型的排序能力。

在参考[1]和[4]中，关于 AUC 定义本身的讨论非常详细，上述两大类都有不同形式的解释。还包括如何用 AUC 做目标去优化，AUC 的各种计算方法，本文不再赘述，有兴趣的同学