AUC（Area Under the Curve）和 AP（Average Precision）

AUC（Area Under the Curve）和 AP（Average Precision）是两个常用的评估指标，用于衡量二分类模型的性能。它们在处理不平衡数据集时特别有用。

AUC（Area Under the Curve） AUC（曲线下面积）

AUC 是 ROC 曲线（Receiver Operating Characteristic Curve，受试者工作特征曲线）下面积的缩写。ROC 曲线是通过绘制真阳性率（TPR）与假阳性率（FPR）来表示模型性能的曲线。AUC 值的范围是 [0, 1]，表示模型的整体性能。

• 真阳性率（TPR）：TPR = TP / (TP + FN)，表示在所有实际为正类的样本中，被正确分类为正类的比例。
• 假阳性率（FPR）：FPR = FP / (FP + TN)，表示在所有实际为负类的样本中，被错误分类为正类的比例。

AUC 的含义：

• AUC = 0.5：模型没有分类能力，相当于随机猜测。
• AUC < 0.5：模型的分类性能低于随机猜测，可能模型出现了问题或标签反转。
• AUC = 1.0：模型具有完美的分类能力，可以完美区分正负样本。

用途：AUC 常用于评估二分类