auc代表将一个样本判断为正样本得分大于负样本得分的概率；
auc值越大越好；可以想象y轴代表正类真正例率（召回率），x轴代表假正例类（误判的样本数量/所有真实的负样本数量） ；
如果 auc值为1，说明无论如何调节分类阈值都不会判断错误，都能完美判断；如果auc值为0，则说明模型怎么判断都是错的；
auc指标的理解
猜你喜欢
转载自blog.csdn.net/ningyanggege/article/details/89316357
今日推荐
周排行