ROC 与 AUC：模型排序能力的度量

ROC 曲线描绘不同阈值下召回率与误报率的关系，AUC 是其线下面积，衡量模型“把正例排在反例前面”的能力。AUC 越接近 1 越好，0.5 说明模型跟瞎猜差不多。

AUC 的视角很独特：它不关心绝对分数，只关心“谁该排在前面”。这其实抓住了决策的本质——资源有限时，重要的不是给每件事打绝对分，而是把重要的事排在前面。

## 核心要点

图片来源：Openverse / morrisonbrett（https://www.flickr.com/photos/22183514@N00/19799056499）

1. AUC 关注的是排序能力，特别适合评分卡类应用。

2. AUC 对类别不平衡不敏感，是比较模型的稳健指标。

3. AUC 高不代表任意阈值下都好，实际使用仍需选阈值。

4. KS 统计量是相关的另一指标，在信贷风控中常用。

图片来源：Openverse / Orange County Archives（https://www.flickr.com/photos/30346812@N07/16851335246）

## 写在最后

以上是关于「ROC 与 AUC」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。