AUC是咋算的

已于 2023-04-01 22:27:20 修改
阅读量6.8k 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： 机器学习 概率论 人工智能
于 2020-06-22 17:06:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zh515858237/article/details/106905684
版权

AUC本质就正样本比负样本打分高的pair占总pair的比例。

AUC反映的是模型将"正样本预测为正例的可能性" 大于 "将负例预测为正例的可能性的" 概率

到底AUC怎么计算呢？举个例子如下:

下表中有如下6条记录：

根据AUC的概念，A和D的得分应该高于其余四条记录中的任意一条。下面开始计算AUC的流程:

我们需要将记录A、D分别与另外四条记录比较，一共有8组对比。这里计算AUC的分母就是8；那么共有多少组对比是满足要求的呢?记录A比另外四组(B、C、E、F)得分都高，记录D只比另外二组(E、F)得分都高，所以八组对比中满足条件的只有6组，那么分子就是6。所以我们计算得到的AUC就是6/8 = 0.75。简单吧？好像确实不是很难耶！

参考文档：

1.LTR那点事—AUC及其与线上点击率的关联详解 | 机器之心

hit56笔记
关注
专栏目录
python计算auc指标实例
09-21
### Python 计算 AUC 指标的详细解析 #### 一、引言 AUC（Area Under the Curve）是评估二分类模型性能的一个重要指标，尤其在不平衡数据集上表现得更为突出。本文将详细介绍如何使用Python及其相关库来计算AUC指标...
AUC的两种计算方式
凝眸伏笔的博客
08-02 2万+
推荐 搜索场景下的auc理解_凝眸伏笔的博客-CSDN博客_搜索auc随机抽出一对样本（一个正样本，一个负样本），然后用训练得到的分类器来对这两个样本进行预测，预测得到正样本的概率大于负样本概率的概率。TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。：真正率FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例。：假正率AUC的优势:AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。...
AUC的三种计算方法及代码
November、Chopin
11-11 1万+
AUC的计算方法
《机器学习》—— AUC评估指标
最新发布
weixin_73504499的博客
08-23 1662
一、什么是AUC、二、如何计算AUC的值、三、代码实现AUC值的计算、四、AUC的优缺点
auc是怎么计算的？
ustbbsy的博客
06-29 1万+
1 roc曲线计算auc 我们都知道auc是roc曲线下的面积，但这种计算不方便 2 公式计算auc 有另外一种计算方法： 任意给一个正类样本和一个负类样本，正类样本的score大于负类样本的score的概率 公式如下 M 是正样本的个数，N是副样本的个数 值得是第i个样本的序号。对所有的预测样本的score进行从小到大的排序，然后从1进行标号。 原始样本 模型打分 0.8 0.5 0.6 0.3 0.4.
分类模型评价及AUC计算详解
haiziccc的专栏
09-05 4069
1、分类模型评测指标 在使用模型进行分类时，一般使用准确度（Accuracy）、精确率（Precision）、召回率（Recall）作为评测指标对模型的好坏进行评价，今天主要就auc进行介绍。 混淆表 分类器预测类别 confusion table A（军事） B（科技） 实际类别 A（60） X11（50） X12（10） B（40） X...
ROC和AUC介绍及计算
小长冲冲里的一只羊的专栏
08-20 7249
AUC是一种用来度量分类模型好坏的一个标准。它跟ROC有着密切的关系，所以先介绍ROC，再来分析AUC以及它的计算。 ROC曲线       ROC曲线能够反映分类的能力，它的横坐标是falsepositive rate(FPR)，纵坐标是truepositive rate(TPR)。（晕定义的可以跳到下一段）对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR
auc.zip_AUC_auc java_roc curve
09-23
AUC（Area Under the Curve）是评估分类模型性能的一个重要指标，特别是在二分类问题中。它基于ROC曲线（Receiver Operating Characteristic Curve），该曲线描述了真阳性率（True Positive Rate, TPR）与假阳性率...
python计算auc的方法
12-17
在数据分析和机器学习领域，AUC（Area Under the Curve）是一种评估分类模型性能的重要指标，特别是在二分类问题中。AUC衡量的是模型在排序任务中的表现，即将正样本排在负样本前面的能力。本篇文章将详细讲解如何在...
利用Python画ROC曲线和AUC值计算
12-23
这篇文章将先简单的介绍ROC和AUC，而后用实例演示如何python作出ROC曲线图以及计算AUC。 AUC介绍 AUC(Area Under Curve)是机器学习二分类模型中非常常用的评估指标，相比于F1-Score对项目的不平衡有更大的容忍性，...
AUC计算方法总结
热门推荐
pzy20062141的专栏
09-24 12万+
1.  最直观的，根据AUC这个名称，我们知道，计算出ROC曲线下面的面积，就是AUC的值。事实上，这也是在早期 Machine Learning文献中常见的AUC计算方法。由于我们的测试样本是有限的。我们得到的AUC曲线必然是一个阶梯状的。因此，计算的AUC也就是这些阶梯 下面的面积之和。这样，我们先把score排序(假设score越大，此样本属于正类的概率越大)，然后一边扫描就可以得到我们想要
sql实现auc计算
霜叶的博客
10-28 714
model_v0_predict的数据形式为 id(唯一标识一条记录)｜label(标签)｜prediction(预测分数)｜ds(时间)，3条数据如下。其中sample_id为CONCAT_WS('_', req_id, utdid, item_id, price, ts, weight)以某一次请求为一个group，计算每个group的auc；以group的均值作为gauc；
AUC的三种计算方法
YG的博客
01-28 6384
面积计算法，直接计算ROC曲线下的面积。利用一个变量来记录每个矩形的高度，正例时只增加高度，只有遇到负例曲线往右走时才累加面积。其实这样的计算方式是很简洁的，但是不能应对概率相等的情况。比如对于一个正样本和一个负样本，他们被预测为正的概率都是0.8，那么它们的排序关系就很重要了，把正样本排在前面和负样本排在前面对应的是两种不同的曲线，得到的曲线面积AUC自然也就是不相同的，因此网上大多都没有采用面积计算法。 ``` def my_auc_calculate(labels,preds): pos_..
笔记︱统计评估指标AUC 详解
素质云笔记
09-25 1万+
文章目录1 AUC的两种解读视角：1.1 ROC曲线与坐标轴形成面积1.2 古典概率模型——求导AUC2 AUC的特性与优劣3 AUC多大才算好？4 线上、线下AUC差异较大成因分析4.1 业务场景使用AUC：点击模型与购买模型的差异4.2 线上、线下AUC有差异5 AUC逻辑升级 - GAUC参考文献 1 AUC的两种解读视角： 1.1 ROC曲线与坐标轴形成面积 AUC 的全称是 AreaUnderRoc 即 Roc 曲线与坐标轴形成的面积，取值范围 [0, 1]. Roc (Receiver ope
模型评估效果AUC计算与理解
qq_41126685的博客
08-26 1925
AUC只适用于二分类，多分类的话用准确率评估。 AUC是评估负样本排在正样本前面的概率。先来看一组数据（auc.txt），这里可以把0理解为不点击，1理解为点击： 1 0.229666436463 0 0.0942608791075 0 0.150107556408 0 0.112049436444 1 0.12203849468 0 0.175578544387 0 0.237236038873 其中第一列代表真实label，第二列代表预测为1的概率。 AUC的计算方法为： cat auc.txt |
AUC计算
赵大宝的博客
06-16 1473
AUC: Area Under Curve, 默认为ROC(receiver operating characteristic curve) Curve, 也可以指定PR(Precision Recall) curve。 由于ROC曲线的X轴为False Positive Rate，Y轴为True Positive Rate，AUC是可以指 随机给定一个正样本和一个负样本，分类器输出该正样本为正的 比 输出该负样本为正 要大的概率，即 AUC = P(P_tpr > P_fpr). AUC的计算方法
2. AUC的四种计算方法
qz的博客
10-05 6611
1. 定义法 POC曲线横轴为FPR：假正例率，纵轴为TPR：真正例率。 AUC其实就是ROC曲线下的面积： m为总样本个数 2. 排序损失法 形式化的看，AUC考虑的是样本预测的排序质量，因此与排序误差有紧密联系。 给定 m+ 个正例和m-个反例，令D+和D-分别表示正、反例集合，则排序损失定义为： 解释：排序是按照样本被预测成正例的概率由大到小降序排列。理想中的预测是正例都排在反例的前面。但是不一定会是理想的，有可能出现了损失：有的反例出现在了正例的前面，但是要怎样计算这种损失呢？ 遍历每一个反例
机器学习中AUC的计算方法总结 | 面积法与Wilcoxon-Mann-Witney Test公式法的等价证明
捡起一束光的博客
10-19 2396
AUC除了面积法计算，还可以用AUC的性质来计算：测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score
AUC原理详细讲解
Ezra521的博客
06-09 1万+
一、AUC含义 首先，在试图弄懂AUC和ROC曲线之前，首先要彻底理解混淆矩阵的定义！ 混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下： 称预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）。 预测正确的为True（真），预测错误的为False（伪）。 对上述概念进行组合，就产生了如下的混淆矩阵： 然后，由此引出True Positive Rate（真阳率）、False Positive（伪阳率）两个概念： TPRate=TPT
加权AUC是什么意思
03-17
加权AUC（Area Under the Curve）是一种用于评分类模型性能的指标。AUC是ROC曲线下的面积，而加权AUC则是在计算AUC时考虑了不同类别之间的不平衡性。 在二分类问题中，ROC曲线是以真阳性率（True Positive Rate）为...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值