为什么使用归一化基尼分数代替AUC作为评估？

Kaggle的比赛Porto Seguro的“安全驾驶员预测”使用“标准化基尼分数”作为评估指标，这让我很好奇这种选择的原因。使用规范化的gini得分代替最常用的指标（如AUC）进行评估有什么优势？

classification auc model-evaluation gini

— Xboard
source

Kaggle网站过去曾这样回答：“由于并非所有积极的例子都会立即出现，因此“完美”模型有一个最大可实现的区域。我们使用归一化的基尼系数，将模型的基尼系数除以基尼系数完美的模型。” 但现在不可用。webcache.googleusercontent.com/...

— 塞克图斯经验派

因此，基尼只是不同规模的auc。还是将auc和gini应用于不同的曲线？作为机器学习的非专家，对我而言这还不是很清楚。问题不是很清楚。

— Sextus Empiricus

我认为，基尼分数只是AUC的重新制定：至于为什么使用此数字而不是常用的AUC，我能想到的唯一原因是随机预测会产生基尼系数得分为0，而AUC为0.5。

g i n i = 2 \times A U C - 1

$gini = 2 \times AUC -1$

— 米格尔
source

除了使用基尼系数将随机分类器的性能设置为0分外，归一化还改善了量表的另一端，并使完美分类器的得分等于1分，而不是最大分值AUC <1。改进只是相对的，取决于您是否认为更直观的量表是好还是不好。尽管超越了这种简单的解释，您可能会争辩说它（规范化）还可以改善不同数据集的概括和比较。

— Sextus Empiricus

为什么macimum可以达到的AUC小于1，我也看不到基尼如何将其设置为1？

— rep_ho

这取决于它们计算基尼系数的曲线类型。也许他们使用的东西不同于ROC曲线（其最大AUC确实为1）。鉴于kaggle网站上的字样，最大AUC不是1：>> “然后我们从左向右移动，问“在数据的最左侧x％中，您累积了多少累积响应？”。

— Sextus Empiricus

例如：bayesserver.com/docs/charts/lift-chart

— Sextus Empiricus