使用AUC的理由？

特别是在机器学习文献的面向计算机科学的方面，AUC（接收方操作员特征曲线下的区域）是评估分类器的常用标准。使用AUC有什么理由？例如，是否存在一个特定的损失函数，其最佳决策是具有最佳AUC的分类器？

用于二元分类用于排序（即，对于每个实施例ë我们有Ç （ê ）在区间[ 0 ，1 ]）从其中AUC测定的AUC相当于概率Ç （Ë 1）> C ^ （e 0），其中e 1是真实的肯定例子，而e 0是真实的否定例子。因此，选择具有最大AUC的模型可以最大程度地降低C （e 0$C$$e$$C(e)$$[0, 1]$$C(e_1) > C(e_0)$$e_1$$e_0$。即，使对真阴性的评级至少与真阳性一样大的损失最小化。$C(e_0) \geq C(e_1)$

让我们举一个简单的例子，从好坏番茄中识别出好番茄。假设好番茄的数量为100，而坏番茄的数量为1000，所以总数为1100。现在您的工作是尽可能多地识别好番茄。一种获取所有优质番茄的方法是同时摄取1100个番茄。但它清楚地表明，您无法区分b / n好与坏。

所以，什么是区分差异的正确方法-需要同时拾取很少的坏样品就获得尽可能多的好样品，所以我们需要一个衡量标准，可以说出我们选出了多少好样品，还说出什么是坏样品它。如下所示，如果AUC度量值能够选择更多的好点，而很少的坏点，则可以赋予更多的权重。这说明您能够区分好坏的好坏。

在示例中，您可以观察到在拾取70％的优质番茄时，黑色曲线拾取了48％的不良（杂质），而蓝色曲线则有83％的不良（杂质）。因此，与蓝色曲线相比，黑色曲线具有更好的AUC得分。