auc是機器學習模型中常見評價指標，在推薦系統中也十分常見。和常見的評價指標acc，p，r相比，auc具備一定的優勢。
一般說起auc，都會從混淆矩陣，acc，精確率p，召回率r，然後說到roc，再到auc，我在這裡簡單的梳理一下：
由混淆矩陣引出tp，fp，fn和tn。
接著引出準確率，精確率，召回率和f1值的概念。
接著引出tpr和fpr的概念，tpr代表tp的比率，fpr代表了fp的比例，那麼可想而知，tpr越大，fpr越小分類器的效果越好。
接著引出roc曲線的概念，fpr為橫軸，tpr為縱軸，所以曲線越接近左上，分類器效果越好。
接著引出最後的auc，字面意思是roc曲線下面的面積，auc越大，分類器效果越好。
auc取值在0-1之間，越接近1代表模型效果越好，1代表完全分對了。
使用auc作為評價模型指標的優勢主要有以下兩點:
不必為分類器選擇閾值。假如我們在進行二分類時，得到的**結果是概率值，我們需要為正負類選擇閾值（雖然一般來說是0.5），再對結果進行評價，但是當我們使用auc時，則不必選擇閾值。
auc可以作為不均衡資料集的評價指標，其他評價指標在面對不均衡資料集時都有一定的缺陷。
現在可以思考為什麼auc具備這個優勢，auc的真實含義是什麼？
水平有限，這裡參考了知乎的回答1
，auc反映了模型對樣本的排序能力。
[auc相關知乎回答]
評價推薦系統指標
評價指標 名稱符號 偏好是否依賴於推薦列表長度備註準 確度 評分準確度 平均絕對誤差 mae 小否 適用於比較關注精確的 評分的系統 平均平方誤差 mse 小均方根誤差 rmse 小 標準平均絕對誤差 nmae 小 評分關聯 pearson關聯 pcc 大適用於不關注精確 評分的系統，其中ndmp適...
推薦系統常用評價指標
自己在網上查詢了很多推薦指標包括準確率，精確率，召回率，p r曲線，auc曲線，map，mrr，ndcg評價指標。但是分類模型的評價指標和推薦系統的指標的計算方法是不一樣的，分類模型評價指標計算是根據混淆矩陣進行計算，而推薦模型是根據推薦列表和分割的20 測試集作為真實值進行計算。在分類模型中，是明...
機器學習 評價指標整理
目錄 1.準確率 accuracy 2.召回率 recall 3.精確率 precision 4.召回率與精確率的關係 5.誤報率 fpr 與漏報率 fnr 準確率是指我們的模型 正確的結果所佔的比例。正式點說，準確率的定義如下 accuracy frac 對於二元分類，也可以根據正類別和負類別按如...