概念

AUC（Area Under Curve）被定義為ROC曲線下與座標軸圍成的面積，顯然這個面積的數值不會大於1。又由於ROC曲線一般都處於y=x這條直線的上方，所以AUC的取值範圍在0.5和1之間。AUC越接近1.0，檢測方法真實性越高;等於0.5時，則真實性最低，無應用價值.
AUC:（ROC曲線下方的面積大小）
參考：百度百科

含義理解二 ： AUC（are under curve)是一個模型的評價指標，用於分類任務。
那麼這個指標代表什麼呢？這個指標想表達的含義，簡單來說其實就是隨機抽出一對樣本（一個正樣本，一個負樣本），然後用訓練得到的分類器來對這兩個樣本進行預測，預測得到正樣本的概率大於負樣本概率的概率。

AUC的計算方法

1. 方法一 ： 定義計算 -> 計算面積 -> 不好實現

2. 方法二： 從概率的角度進行實現
   有如下公式：
   

公式解釋：
首先對score從大到小排序，然後令最大score對應的sample 的rank為n，第二大score對應sample的rank為n-1，以此類推。然後把所有的正類樣本的rank相加，再減去M-1種兩個正樣本組合的情況。得到的就是所有的樣本中有多少對正類樣本的score大於負類樣本的score。然後再除以M×N

程式碼實現：

import numpy as np

def calculate_auc(y, p):
    '''
    y: 真實Label的向量 ndarray
    p: 預測為正例的概率的向量 ndarray
    '''
    # 保證相同概率的0排在1前面
    tmp = np.array(sorted(zip(y, p), key=lambda x:(x[1], -x[0]), reverse=True))
    neg = 0
    pos = 0
    for i in y:
        if i == 0:
            neg += 1
        elif i == 1:
            pos += 1
    loss = 0
    neglst = np.array([])
    for i in range(len(tmp)):
        if tmp[i][0] == 1:
            loss += np.sum(neglst == tmp[i][1]) / 2 + np.sum(neglst != tmp[i][1])
        else:
            neglst = np.append(neglst, tmp[i][1])
            
    return 1 - loss / (neg*pos)


 

參考：
https://blog.csdn.net/lieyingkub99/article/details/81266664

https://blog.csdn.net/renzhentinghai/article/details/81095857

https://blog.csdn.net/jose_M/article/details/105587339?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.pc_relevant_is_cache&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.pc_relevant_is_cache

時間匆匆，簡單記錄~