深入理解实际场景下 AUC vs F1 的区别——不说废话
(创作不易，转载请注明出处~)
面试的时候经常被问的一个问题是 AUC和F1 score有什么区别。笔者看了很多博文，感觉相当一部分在分析混淆矩阵和auc、f1的定义上花了太多笔墨，但对于两者的区别和联系，有种到了门前就差临门一脚的感觉。因此笔者去stack overflow上找了很多回答，感觉收获很多，在此简明扼要的写一下收获。如有纰漏欢迎指正。
1、定义：
AUC的优化目标：TPR和(1-FPR)
F1的优化目标：Recall和Precision
这里不再对混淆矩阵(TP、FP、TN、FN)相关的一些很细的概念做详细解释，推荐去看一下auc的维基百科。这里解释一下为什么auc的优化目标是TPR和(1-FPR)。
大家知道AUC指的是ROC曲线下的面积大小。而ROC曲线是由TPR和FPR为轴的曲线。如果希望auc更大，那么在给定TPR的情况下，我们是希望FPR越小越好的，同样给定FPR，希望TPR越大越好，这样才能给曲线拉向对角线上方。所以我们可以认为：优化auc就是希望同时优化TPR和(1-FPR)。另外，TPR又被成为sensitivity(灵敏度)，(1-FPR)又被成为specificity(特异度)
优化F1就是希望同时优化recall和precision这个比较好理解，因为F1的计算公式就是：
F 1 s c o r e = 2 ∗ r e c a l l ∗ p r e c i s i o n r e c a l l + p r e c i s i o n F1score = \frac{2*recall*precision}{recall + precision} F1score=recall+precision2∗recall∗precision
2、两者的关系：
相同点
分析的起点是这两个指标存在一个共同目标。事实上：
r e c a l l = T P R = T P T P + F N recall = TPR = \frac{TP}{TP + FN} recall=TPR=TP+FNTP
也就是说auc和f1 score都希望将样本中实际为真的样本检测出来(检验阳性)。
不同点
区别就在于auc除了希望提高recall之外，另一个优化目标是
s p e c i f i c i t y = 1 − F P R = T N F P + T N specificity = 1-FPR = \frac{TN}{FP+TN} specificity=1−FPR=FP+TNTN
希望提高非真样本在检验中呈阴性的比例，也就是降低非真样本呈阳性的比例(假阳性)，也就是检验犯错误的概率
而F1score的另一个优化目标是：
p r e c i s i o n = T P T P + F P precision = \frac{TP}{TP+FP} precision=TP+FPTP
希望提高检验呈阳性的样本中实际为真的比例，也就是提高检验的准确率/命中率
那么说到这里，大家应该可以理解这里两个指标在recall之外，其实是存在内在矛盾的。如果说召回率衡量我们训练的模型(制造的一个检验)对既有知识的记忆能力(召回率)，那么两个指标都是希望训练一个能够很好拟合样本数据的模型，这一点上两者目标相同。但是auc在此之外，希望训练一个尽量不误报的模型，也就是知识外推的时候倾向保守估计，而f1希望训练一个不放过任何可能的模型，即知识外推的时候倾向激进，这就是这两个指标的核心区别。
3、如何选择
3.1 一个经常使用的例子
关于如何选择这两个指标，网上很多人的意见是：auc不容易受样本不平衡的影响，所以对于imbalance的情况优先使用auc
可以用一个很极端的例子来理解一下，比如我们有100个样本，其中90个为正，10个为负，然后我们训练一个模型，直接将100个样本都判定为阳性。这个时候混淆矩阵：
| TP = 90 | FN = 0 |
|---|---|
| FP = 10 | TN = 0 |
(预测为阳并正确的有90个，预测为阳并错误的有10个)
这个时候：
TPR = recall = TP/(TP+FN) = 1
1 - FPR = 1 - FP/(FP+TN) = 0
precision = TP/(TP+FP) = 0.9
可以看到这个很“笨”的模型的F1score的值仍然会很高，但是AUC的值就会很低。所以网友的结论是很有道理的。
不过我觉得这个例子举得并不好，因为实际生产中的样本不平衡往往是负样本远远超过正样本，比如推荐领域的点击相比于展示后未点击的样本要少很多，ctr一般都不会超过30%。又比如传染病监测，发病的人数相对于总人数应该是占少数的。所以我们来做类似的分析：
有100个样本，其中90个为负，10个为正，这个时候如果我们直接将100个样本都判定为阴性。混淆矩阵：
| TP = 0 | FN = 10 |
|---|---|
| FP = 0 | TN = 90 |
(预测为阴并正确的有90个，预测为阴并错误的有10个)
TPR = recall = TP/(TP+FN) = 0
1 - FPR = 1 - FP/(FP+TN) = 1
precision = TP/(TP+FP) = 0
可见这个时候，“笨”模型往往连最基础的目标recall（拟合训练数据）的目标都不能达到。所以我觉得这个网友们常举得例子实际上有些脱离实际。
3.2 贴近实际的分析
对于真实的生产环境中更常见的 正样本较少的样本不平衡情况，我们不能使用极端情况来分析。那么就要回到第二节最后两句话了。
在很好的记忆训练数据中的正样本的基础下：
auc希望训练一个尽量不误报的模型，也就是知识外推的时候倾向保守估计，而f1希望训练一个不放过任何可能的模型，即知识外推的时候倾向激进，这就是这两个指标的核心区别。
所以在实际中，选择这两个指标中的哪一个，取决于一个trade-off。如果我们犯检验误报错误的成本很高，那么我们选择auc是更合适的指标。如果我们犯有漏网之鱼错误的成本很高，那么我们倾向于选择f1score。
放到实际中，对于检测传染病，相比于放过一个可能的感染者，我们愿意多隔离几个疑似病人，所以优选选择F1score作为评价指标。而对于推荐这种场景，由于现在公司的视频或者新闻库的物料总量是很大的，潜在的用户感兴趣的item有很多，所以我们更担心的是给用户推荐了他不喜欢的视频，导致用户体验下降，而不是担心漏掉用户可能感兴趣的视频。所以推荐场景下选择auc是更合适的。