机器学习实践中分类器常用的评价指标就是auc，不想搞懂，简单用的话，记住一句话就行
auc取值范围[0.5,1]，越大表示越好，小于0.5的把结果取反就行。
想搞懂的，看An introduction to ROC analysis （Tom Fawcett）这篇论文把。我把这篇论文的要点整理了一下。
引子
假设有下面两个分类器，哪个好？
|
|
A类样本90个
|
B 类样本10个
|
分类精度（分类正确占比） |
|
分类器C1结果
|
A*90 (100%)
|
A*10 (0%)
|
90%
|
|
分类器C2结果
|
A*70 + B*20 (78%)
|
A*5 + B*5 (50%)
|
75%
|
测试样本中有A类样本90个，B 类样本10个。
分类器C1把所有的测试样本都分成了A类（比如分类器的输出只是一句代码 printf ("A") ），
分类器C2把A类的90个样本分对了70个，B类的10个样本分对了5个。
则C1的分类精度为 90%，C2的分类精度为75%，但直觉上，我们感觉C2更有用些。
我们需要一个评价指标，能客观反映对正样本、负样本综合预测的能力，还要考虑消除样本倾斜的影响（其实就是归一化之类的思想，实际中很重要，比如pv总是远远大于click），这就是auc指标能解决的问题。
啥是auc
roc曲线下的面积就是auc，所以要先搞清楚roc。
先看二分类问题，预测值跟实际值有4种组合情况，见下面的列联表
|
|
预测 |
合计 |
||
|
1 |
0 |
|||
|
实际
|
1 (P) |
True Positive（TP） |
False Negative（FN） |
Actual Positive(TP+FN) |
|
0 (N) |
False Positive（FP) |
True Negative(TN) |
Actual Negative(FP+TN) |
|
|
合计 |
Predicted Positive(TP+FP) |
Predicted Negative(FN+TN) |
TP+FP+FN+TN |
|
我们让：
纵坐标是true positive rate(TPR) = TP / (TP+FN=P) （分母是横行的合计）直观解释：实际是1中，猜对多少
横坐标是false positive rate(FPR) = FP / (FP+TN=N) 直观解释：实际是0中，错猜多少
|
|
FPR
|
TPR
|
|
c1
|
10/10=1
|
90/90=1
|
|
c2
|
5/10=0.5
|
70/90=0.78
|
所以评估标准改成离左上角近的是好的分类器。（考虑了正负样本的综合分类能力）
如果一个分类器能输出score，调整分类器的阈值，把对应的点画在图上，连成线这条线就是roc，曲线下的面积就是auc（Area under the Curve of ROC ）
有啥特点
- roc上的点，越靠近左上角越好。(tp rate is higher, fp rate is lower,or both )
- y = x这条对角线代表随机猜测的结果。比如用投掷硬币结果来猜测，点在(0.5, 0.5) ；假设硬币不均匀，90%概率向上，那就是(0.9, 0.9) （正例中，90%能猜对；反例中，90%猜错）
- auc范围[0.5, 1]，小于0.5的分类器把结果取反一下把。
- 分类器不一定要输出概率，输出可比较的score也行。
- 画roc曲线的时候，threshold采样点是有限的离散化点，其实就用score，毕竟score是有限的。Any ROC curve generated from a finite set of instances is actually a step
function。画曲线需要两个值TP/P和FP/N。P和N可以先扫描一遍找出来，后面不会变的。把score排一下序，从高到底，依次作为threshold（>=threshold的我们预测为p，其他为n）。TP判断class为P的加一就行，FP判断class为N的也加一就行。变得很简单了。
这里就有一个细节问题了，score相同的点怎么处理？
论文里给出一个直观的图，先累加正样本和先累加负样本的差异（先加TP往上走，还是FP往右走）。结论就是score相同的样本一起算，不要一个样本就输出一个采样点。 - auc的直观含义是任意取一个正样本和负样本，正样本得分大于负样本的概率。The ROC curve shows the ability of the classifier to rank the positive
instances relative to the negative instances, and it is indeed perfect in this ability.（想想这个组合问题的概率怎么求？对每一个负样本，把分数大于这个负样本的正样本个数累加起来，最后除以总的组合数P*N，前面算roc curve是不是也类似这样累加？除了P或者N先除了。还不确定看下面的代码实现，代码里为了平滑，求的是小梯形的面积，而不是矩形，稍微有些差别。）论文里举了个例子，auc算出来是1，但是可以发现预测结果不是完全对的（7和8就预测错了）。但实际上只是threshold选择得不好而已，threshold选0.7这里就行了。
- 容忍样本倾斜的能力。ROC curves have an attractive property: they are insensitive to changes in class distribution. 看看公式TP/P 和FP/N本身就包含了归一化的思想（上面的表格每一行乘以常数C，TPR和FPR不变的），比如负样本*10的话 :
FPR = (FP*10)/(N*10)，不变的。
再看看precision和recall就不行了，因为一个表格里是竖行，一个是横行。
precision=tp/(tp+fp), recall=tp/(tp+fn)
负样本*10的话 :
precision=tp/(tp+fp*10), recall=tp/(tp+fn)
具体代码实现
求一个个小的梯形的面积。
搞到一个scoreKDD.py的代码
#!/usr/local/bin/python
def scoreAUC(labels,probs):
i_sorted = sorted(range(len(probs)),key=lambda i: probs[i], reverse=True)
auc_temp = 0.0
TP = 0.0
TP_pre = 0.0
FP = 0.0
FP_pre = 0.0
P = 0;
N = 0;
last_prob = probs[i_sorted[0]] + 1.0
for i in range(len(probs)):
if last_prob != probs[i_sorted[i]]:
auc_temp += (TP+TP_pre) * (FP-FP_pre) / 2.0
TP_pre = TP
FP_pre = FP
last_prob = probs[i_sorted[i]]
if labels[i_sorted[i]] == 1:
TP = TP + 1
else:
FP = FP + 1
auc_temp += (TP+TP_pre) * (FP-FP_pre) / 2.0
auc = auc_temp / (TP * FP)
return auc
def read_file(f_name):
f = open(f_name)
labels = []
probs = []
for line in f:
line = line.strip().split()
try:
label = int(line[2])
prob = float(line[3])
except ValueError:
# skip over header
continue
labels.append(label)
probs.append(prob)
return (labels, probs)
def main():
import sys
if len(sys.argv) != 2:
print("Usage: python scoreKDD.py file")
sys.exit(2)
labels, probs = read_file(sys.argv[1])
auc = scoreAUC(labels, probs)
print("%f" % auc)
if __name__=="__main__":
main()
