AUC（Area Under Curve）

AUC有两种，ROC-AUC, PR-AUC

ROC由TPR, FPR画出

PR由P和R画出

注意 TPR==R

适用场景

类别相对来说较均衡时，可以使用 ROC-AUC，当类别极其不均衡时使用 PR-AUC 较好

假设我们有一个二分类问题，要识别是否是垃圾邮件（1 表示垃圾邮件，0 表示非垃圾邮件）。样本非常不平衡，有 950 个非垃圾邮件和 50 个垃圾邮件。我们有一个模型，其预测结果如下：

• 真正例（True Positive, TP）：正确标记了 40 个垃圾邮件
• 假正例（False Positive, FP）：错误地将 10 个非垃圾邮件标记为垃圾邮件
• 真负例（True Negative, TN）：正确标记了 940 个非垃圾邮件
• 假负例（False Negative, FN）：错误地将 10 个垃圾邮件标记为非垃圾邮件

计算 ROC-AUC 相关指标

1. 真正例率（True Positive Rate, TPR）或召回率（Recall）= TP / (TP + FN) = 40 / (40 + 10) = 0.8
2. 假正例率（False Positive Rate, FPR）= FP / (FP + TN) = 10 / (10 + 940) = 0.0105

计算 PR-AUC 相关指标

1. 精度（Precisi