简单梳理对AUC的理解

     AUC（Area Under Curve）是机器学习中二分类模型的一个评价指标。定义为ROC曲线中下的面积，但我们先不管定义。

    简单解释，AUC代表的是真阳性率（实际阳性、猜测阳性） > 伪阳性率（实际阴性、猜测阳性）的概率。

    就拿预测患糖尿病概率这一事例来说，对于真的患有糖尿病的人我们当然应该尽可能预测为阳性，而对没患糖尿病的人应尽可能不预测为阳性，所以真阳性率应该尽可能大，伪阳性率应尽可能小。

    深入解释的话，首先来看混淆矩阵：

    

    参考混淆矩阵，我们可以直观知道：

    真阳性率  =  真阳性 / 真实阳性总数  =  TP  /  ( TP + FN )

    伪阳性率  =  伪阳性 / 真实阴性总数  =  FP  /  (