机器学习评测标准：AUC

机器学习评测标准：AUC

AUC的解释：

1. 正样本排在负样本之前的概率
2. ROC曲线与FP_rate围成的面积【ROC曲线：横坐标是FP_rate（假正率），纵坐标是TP_rate（假负率）】
3. 仅用于二分类

要求解AUC避免不了要画ROC，实质上只是求出ROC各点的坐标，那如何画ROC曲线呢？

将样本按照预测分数从大到小排列：

sample	label	predict
1	1	0.9
3	1	0.8
2	0	0.7

1：正样本，0：负样本，predict：属于正样本的概率

从高到低，依次将predict作为阈值threshold，当测试样本的predict>=threshold，则认为是正样本P_ image，反之则认为是负样本N_image。如threshold=0.8时，sample1和sample2是P_image，sample3是N_image；此时，有

对于每个threshold都可得到一个（FP_rate，TP_rate），将这些点连线即可。 

伪代码：

def sort_by_predict():
    return [label, predict]

def get_rate_points():
    # 返回所有的 rate_points
    return (FP_rate, TP_rate)

def get_auc():
    sample_sorted = sort_by_predict()
    rate_points = get_rate_points(sample_sorted)

    (FP_rate, TP_rate) = (0, 0) # 初始化，(FP_rate, TP_rate)为前一个点的值
    for (cur_FP_rate, cur_TP_rate) in rate_points:
        area = (cur_FP_rate - FP_rate) * cur_TP_rate # 当前点和前一个点与横坐标为成的小矩形的面积
        auc += area
        FP_rate = cur_FP_rate
        TP_rate = cur_TP_rate

    return auc

欢迎转载，转载请标明出处。