测试项目列表在表格中的展示

AUC的特点

1、AUC越大的分类器效果越好：使用AUC值作为分类器性能评价指标，是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC越大的分类器效果越好。

2、AUC最大化能获得最佳性能并且与应用场景无关：AUC的优势是通过最大化AUC，能获得最佳性能并且与应用场景无关，不论是为不同错误类型设置权重，还是重点关注某类数据的分类正确率。

• (1)、严格来讲，最大化AUC不能确保在一个特定的错误率上获得最优性能。通过对比AUC选择的模型、通过最小化错误率得到的模型以及观察曲线形状会帮助获得对解的信心，同时能了解到通过彻底的优化性能指标，还能在多大程度上提高性能。
• (2)、生成AUC随α变化的曲线类似于计算误分类错误的过程，不同在于模型生成的预测值以及真正的标签值被传送给roc_auc_score函数来计算AUC。

3、AUC值是一个概率值且∈[0.5,1]—因其处于y=x上方:

当你随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。

• (1)、AUC正如名字所表达的，指的是ROC曲线下的面积。显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。
• (2)、一个完美分类器的AUC=1.0，随机猜测分类器对应的AUC 为0.5。

计算AUC

       直接计算正样本score大于负样本的score的概率。首先把所有样本按照score排序，依次用rank表示他们，如最大score的样本，rank=n；其次为n-1。那么对于正样本中rank最大的样本，有M-1个其他正样本比他score小，那么就有个负样本比它score小。其次为个负样本。

       最后我们得到正样本大于负样本的概率为：其中n=M正样本+N负样本。