关于ROC和AUC的个人理解

这几天看论文，看到了一个评价指标：AUC。之前面对的都是mAP，或者TP/FP这种，对AUC没有太深的了解，就趁这个机会巩固一下关于AUC的相关内容。首先来看一张图：

这个就是大名鼎鼎的ROC曲线，而AUC就是这个曲线与X轴的面积。首先结论就是：AUC值越大越好，曲线越靠近左上角越好。然后来具体说一下这个曲线代表的含义。

首先说一下横纵坐标。横坐标是FPR，就是预测为正样本实际为负样本的个数占所有负样本的比例。而TPR为：预测为正样本实际也为正样本的个数占所有正样本的比例。这里有个判定，就是怎样才算正样本，怎样才算负样本。这个判定值就是阈值。大于这个阈值的，我们无脑认为它就是正样本，小于这个值的，我们认为它是负样本。给定这样一个阈值，我们就可以得到一对点（FPR, TPR），当我们给定不同的阈值时，由于判定条件改变，相应预测的正负样本的数量就会改变，（FPR, TPR）也会跟着改变，就这样，我们将阈值从最小到最大进行调节，就会得到所有的（FPR, TPR）点对。根据这些点对，我们就可以画出这个ROC曲线了。

为什么说这个ROC曲线越靠近左上角越好呢，因为纵坐标是TPR，我们总是希望结果中正确的样本个数所占的比例尽可能的高，横坐标是FPR，即预测结果中，负样本的个数尽可能的低。

再来看一下图中的这几条线，现在我们知道了，红色线的表现要好于蓝色线，而那条黑色线代表的是随机猜测的基准。如果我们得到的ROC曲线低于图中的黑色部分，那就代表我们这个模型的预测准确率还不如随机猜测的准确率高，那也就没什么意义了。