为什么使用ROC和AUC判断一个分类器的好坏呢？

首先我们先了解下什么是AUC和ROC，ROC的横轴表示为FPR(负正率)，横轴表示NPR(真正率)。其中ROC曲线的斜率代表阈值，即阈值越来越小时，被分为正类的样例越来越多，但是还会掺杂着越来越多的负类样例。即TPR和FPR会同时增大。ROC具有很好的特性，当正类负类的样例数量发生变化时，ROC的曲线基本与原来的曲线保持一致，所以当正负例发生巨大变化时，我们还可以根据ROC曲线来评价分类器。谈起AUC，AUC值是一个概率值，当你随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。