求解释一下roc_auc_score()

Sklearn有个roc_auc_score()
是这样定义的：Compute Area Under the Receiver Operating Characteristic Curve (ROC AUC) from prediction scores.

但是还是有点不太明白，跟单独看的 roc 和 auc是怎样的关系？

一个正样本和一个负样本，AUC的数值代表了你的模型对于正样本的排名高于负样本的概率

不需要去画曲线，算真正率假正率哪些东西，有一种更为通俗易懂的理解：
你把你用模型打好分的正样本和负样本分开，做一个笛卡尔积，数一下笛卡尔积结果里模型对正样本打分高于负样本打分的pair对，看看在整体pair对的占比有多少，就是AUC。假如模型对所有正样本的打分都高于负样本，那么AUC = 1.0。这个指标通常用来衡量模型对正负样本的区分能力。

ROC是个curve，AUC是area under the curve，这条曲线下面的面积。任何curve都可以算ROC，比如PR curve

补充内容 (2019-10-1 00:17):
手滑打错了，是任何curve都可以算AUC

waynehu 发表于 2019-9-30 06:38
ROC是个curve，AUC是area under the curve，这条曲线下面的面积。任何curve都可以算ROC，比如PR curve

明白了谢谢！

应该是任何 curve 都可以算 AUC  吧

attentionall 发表于 2019-9-30 14:11
应该是任何 curve 都可以算 AUC  吧

对的，楼上有个小笔误，不过我看明白啦

Generally, we used the term AUPR for (area under precision-recall curve) and AUROC (for area under receiver operating curve)

attentionall 发表于 2019-9-30 14:11
应该是任何 curve 都可以算 AUC  吧

啊对，是想说AUC的，不知道怎么手就打成了ROC

yiwuxie15 发表于 2019-10-1 04:38
一个正样本和一个负样本，AUC的数值代表了你的模型对于正样本的排名高于负样本的概率

对

补充个链接
https://www.alexejgossmann.com/auc

这个probabilistic interpretation非常有趣