在機器學習的分類問題中，尤其是二分類問題中，常常需要有評判標準，那麼在這些評判標準中，最常用的就是準確率、召回率、roc和auc。
其中，在實際使用中，我們往往使用auc作為評判標準，那麼如何計算auc就是非常重要的。在常見的方法中，最常用的就是通過計算roc，然後計算roc下與x軸圍成的面積作為auc的值，但是這種方法非常簡單，不會用於實際計算中。所以我們需要另外尋找方法來計算。那麼，這就出現了一種非常暴力但簡單的方法來計算auc。
因為如同lr演算法那樣，計算得到的值是乙個score，表示該樣本在當前lr模型下，被判定為正樣本的概率，那麼我們可以對該score進行從大到小排序，然後給每個score指定其排序的序號，例如一共有n個樣本，那麼score最大的那個樣本的排序序號就為n，依次類推；假設一共有m個正樣本，有n個負樣本，那麼最後的auc的計算結果為：
rank表示所有取正樣本的樣本的排序序號求和，通過此方法就能計算出最後的auc值。一般來說，需要auc值越大越好，表明模型的分類效果更佳！
本文參考：
AUC計算方法總結
auc area under the curve 是一種用來度量分類模型好壞的乙個標準，這裡不詳細敘述auc的定義及意義，詳見wiki。演算法1 如下圖是乙個分類器的結果，計算點形成的折線的面積就是auc的值 如下 public double aucalg1 if scores 1 contains...
AUC計算方法總結
一 roc曲線 1 roc曲線 接收者操作特徵 receiveroperating characteristic roc曲線上每個點反映著對同一訊號刺激的感受性。橫軸 負正類率 false postive rate fpr 特異度，劃分例項中所有負例佔所有負例的比例 1 specificity 縱軸...
AUC計算方法總結
一 roc曲線 1 roc曲線 接收者操作特徵 receiveroperating characteristic roc曲線上每個點反映著對同一訊號刺激的感受性。橫軸 負正類率 false postive rate fpr 特異度，劃分例項中所有負例佔所有負例的比例 1 specificity 縱軸...