AUC 理论推导

一. 应用场景

1.分类

2. ranking

二. AUC的意义解释

在随机抽取两个正负样本，负样本得分比正样本高的比例. 这样的解释，在分类场景和rank场景都能说得通.

三. 求法

概念:

混淆矩阵

    TPR(真阳率):  TPR = TP/(TP+FN) = TP/(正样本数)

    FPR(伪阳率):  FPR = FP/(FP+TN) = FP/(负样本数)

然后画一个ROC曲线，横轴: FPR, 纵轴: TPR, AUC就是ROC曲线下的面积

【重点】 理论推导

这样，就连通了求法和AUC的物理含义了.