ROC 与 AUC：排序能力评估的直观解释

ROC 曲线以假正例率为横轴、真正例率为纵轴，描绘分类器在不同阈值下的表现。曲线越靠近左上角，模型区分能力越强。

AUC 是 ROC 曲线下的面积，取值在零到一之间。它有一个直观解释：随机取一个正样本和一个负样本，模型给正样本打分更高的概率。

AUC 的优点是不依赖具体阈值，适合评估整体排序能力。但它对类别不平衡不敏感，在极端不平衡场景可能给出乐观印象。

因此 AUC 常与精确率召回率曲线配合使用。理解每个指标的适用边界，才能做出恰当的模型评估判断。