关于AUC一些笔记

首先先理解一些其他概念

其实真阳=召回率=敏感度
以下的分母中的非/患者表示实际的非/患者
真阳患者表示我们判断为患者实际也是患者
假阳表示我们判定为患者实际为非患者，即我个人认为这个真阳假阳中的阳为判定结果，而真或假为判定的正确性，即可推导出原先的实际状况

真阳率，假阳率

真阳率=真阳患者/患者
假阳率=假阳患者/非患者

敏感度，特异度

敏感度=真阳患者/患者
特异度=真阴患者/非患者=1-假阳率

精度，召回率

精度=真阳/判为患者人数
召回率=真阳患者/患者

准确率

（真阳+真阴）/（患者+非患者）

ROC曲线

ROC曲线就是横坐标为假阳性，纵坐标为真阳性的一个线，而AUC则是这条线与x轴围成的面积
注意ROC曲线不应用于权重不相等的分类器中

AUC值是怎么计算

具体可以参考：https://www.bioinfo-scrounger.com/archives/767/（非原作者，非常感谢这篇博客）是怎么说明的
大概思路有二种：
其一是：计算出每个样本的类别概率然后选定阈值，得出预测为正样本和负样本的标签，根据预测标签和真实标签就可以计算真阳率、假阳率等，然后将真实标签的正样本和负样本的类别概率两两组合，并计算正样本的类别概率大于负样本的类别概率的比例，即为AUC值
其二是：利用秩次关系
对score从到小排序，最大的score排序索引为n，最小的则为1；然后将正例的索引求和，减去正例-正例这种组合的个数M*(M+1)/2；最后除以M*N。

AUC的范围大小评估

这边参照这篇微信文章，取自截图https://mp.weixin.qq.com/s/S2yHZCrjaSxw386N6ziz5w

按个人理解而言，这边的AUC范围并不是固定的，因为跟数据有关，有的数据比较差的话，可能模型能达到的最优AUC也就0.8左右，所以此时强行按图观察的话可能会有误
以上均为个人理解，有误请指正，也不知道咋转载或是跟原博客说，侵删