AUC 指标
直观意义
AUC 指标用于评价分类器对于正、负样例的辨别能力，对出结果的排序位置（按照预测为正例的概率）敏感。
为什么提出这个指标？
一般来讲，精确率、召回率等指标，都需要设定一个阈值去判别是属于正类还是负类，例如预测分大于等于0.5判别为正类，小于0.5判别为负类。如何设定这个阈值，是个问题。而AUC这个指标则不需要设阈值。（或者说，每种阈值的情况都考虑了，下面介绍）
计算方式
利用ROC所围面积计算
ROC 如何计算
要计算ROC需要明确混淆矩阵的概念
首先，混淆矩阵中有着Positive、Negative、True、False的概念，其意义如下：
算法给出的，预测类别为1的为Positive（阳性），预测类别为0的为Negative（阴性）
数据集中，真实类别为1的为True真)， 真实类别为0的为False伪)
于是就有这个混淆矩阵图：
其次， ROC 使用的是True Positive Rate（真阳率）、False Positive（伪阳率）两个概念：
[TPR=frac{TP}{TP+FN}=frac{TP}{P}
]
[FPR=frac{FP}{FP+TN}=frac{FP}{N}
]
其中，P) 是所有真实标签为1的数量，N)是所有真实标签为0的数量
因此，
TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。
FPRate的意义是所有真实类别为0的样本中，预测类别为1的比例。
这两个指标均指出公式围绕预测类别为1进行讨论。
绘制ROC曲线：
曲线的起点和终点是0,0)和1,1)
如果TPR=FPR) 即随机猜测，如图所示
举个简单栗子：
通过上述混淆矩阵算法，我们可以得到
进而算得TPRate=3/4，FPRate=2/4，得到ROC曲线：
上述栗子是一个硬分类问题，也就是预测结果要么0，要么1. 如果给出预测概率的呢？下面的栗子：
这时候，我们只需要设置一个阈值，就可以把上面的预测概率转换为0,1这样的硬分类结果，然后套用上面的操作即可画出当前阈值的一个点。
利用ROC面积计算AUC
AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
上面提到当设置一个阈值就可以得到 ROC 曲线上的一个点，对于 AUC 计算，我们实际上就是要把所有阈值都考虑进去（也就是上文提出使用AUC指标的要解决的问题）。
如下图中，我们要设置阈值为0.8,0.6,0.5,0.3依次计算TPR,FPR)，进而绘制 ROC 曲线
上图给出了一个很简单的例子。四个样本，按预测分高到低排序，从上到下依次找到四个阈值（红线），每个阈值的情况下，分别计算出TPR和FPR（分子只统计红线上面的，因为红线下面在阈值以下，也就是说都是预测为阴性的结果，不在公式的计数范围内），并描点，再用线段相连，最后计算出曲线下面的面积（该例子AUC=0.75）。
注：
如果按照阈值排序后，有相同的阈值，那么也是重复计算，只需按照每次下移一行画红线即可
概率角度
一种本质的理解为： 随机给定一个正样本和一个负样本，分类器输出该正样本为正的那个概率值 比 分类器输出该负样本为正的那个概率值 要大的可能性。
暴力求解
按照上面提到的，我们需要统计随机抽取的一对样本，按照上述含义进行计算，即一下公式
举个栗子：
| ID | label | probability |
|---|---|---|
| A | 0 | 0.1 |
| B | 0 | 0.4 |
| C | 1 | 0.35 |
| D | 1 | 0.8 |
假设有4条样本。2个正样本，2个负样本，那么M*N=4)。即总共有4个样本对。分别是：
（D,B）,（D,A）,C,B),（C,A）)。
在（D,B）)样本对中，正样本D)预测的概率大于负样本B)预测的概率（也就是D)的得分比B)高），记为1
同理，对于（C,B）)。正样本C)预测的概率小于负样本C)预测的概率，记为0.
最后可以算得，总共有3个符合正样本得分高于负样本得分，故$$AUC=frac{1+1+0+1}{4}=0.75$$
当得分（probability）有一样0.4)的情况：
| ID | label | probability |
|---|---|---|
| A | 0 | 0.1 |
| B | 0 | 0.4 |
| C | 1 | 0.4 |
| D | 1 | 0.8 |
同样本是4个样本对，对于样本对（C,B）)其I值为0.5。
[AUC=frac{1+1+0.5+1}{4}=0.875
]
为什么说这个方法暴力呢？
因为，我们需要罗列出所有正例，负例的组合，相当于一个笛卡尔积，如果正例和负例都很多的情况下，那么这个笛卡尔积的集合很大，计算很费时间。
通过观察可以发现，（D,B）,（D,A）统计过程中，由于 D) 的得分很高，我们可以通过一次排序直接数出来比 D)小的有多少个，并不需要全部罗列出来。因此，产生下面的计算方式。
计数统计
| ID | label | probability | Rank |
|---|---|---|---|
| D | 1 | 0.8 | 4 |
| B | 0 | 0.4 | 3 |
| C | 1 | 0.35 | 2 |
| A | 0 | 0.1 | 1 |
按照公式计算：
AUC=frac{4+2-frac{22+1)}{2}}{2 imes2}=frac{3}{4}=0.75)
与上面计算方法得到的结果一样，但是我们只需要排序一下，不需要笛卡尔积运算，排序的复杂度是 log 级别的
如果得分有相同的：
| ID | label | probability | Rank |
|---|---|---|---|
| G | 0 | 0.3 | 1 |
| F | 1 | 0.5 | 2 |
| E | 1 | 0.5 | 3 |
| D | 0 | 0.5 | 4 |
| C | 0 | 0.5 | 5 |
| B | 1 | 0.7 | 6 |
| A | 1 | 0.8 | 7 |
这里需要注意的是：相等概率得分的样本，无论正负，谁在前，谁在后无所谓。
由于只考虑正样本的rank值：
对于正样本A，其rank值为7
对于正样本B，其rank值为6
对于正样本E，其rank值为（5+4+3+2）/4
对于正样本F，其rank值为（5+4+3+2）/4
上述公式简单推导
经过排序后，按照概念我们只需要找出 正例得分大于负例的正，负)对的数量即可。
首先，排序后最大的rank就是全部样例的总数。
在所有正例中（P个），
排在第一No1)的D)，统计比他小的所有负例个数，即 rank-1-P-No)=4-1-2-1)=2)也就是 D,B),D,A))
排在第二No2)的C)， 统计比他小的所有负例个数，rank-1-P-No)=2-1-2-2)=1)也就是C,A))
所以$$AUC=frac{2+1}{4}=0.75$$
如果用一个公式来表示:
[AUC=frac{sum_{1}^{P}{rank-1-P-no)}}{P imes N}=frac{sum_{1}^{P}{rank}-P+P-1)+P-2)+…+1)}{P imes N}=frac{sum_{1}^{P}{rank}-frac{PP+1)}{2}}{P imes N}
]
常数项就是一个等差数列
代码
import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array[1, 1, 0, 0, 1, 1, 0])
y_scores = np.array[0.8, 0.7, 0.5, 0.5, 0.5, 0.5, 0.3])
print'y_true', y_true)
print'y_score', y_scores)
printroc_auc_scorey_true, y_scores))
y_true = np.array[0, 0, 1, 1])
y_scores = np.array[0.1, 0.4, 0.35, 0.8])
print'y_true', y_true)
print'y_score', y_scores)
printroc_auc_scorey_true, y_scores))
参考
https://blog.csdn.net/weixin_37683979/article/details/87882943
https://www.zhihu.com/question/39840928