AUC越大准确率越高吗

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.3k累计阅读 2.4k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄19年

关注

转载最新推荐文章于 2026-04-01 09:20:48 发布 2.3k 阅读 AI 写同款· GEO 优化 ›

如何加理解（两个模型）准确率（ACC）和AUC变化不一致 1. 问题当我们建立两个模型都是二分类的，并应用常见的Logistic回归模型得到结果如下：模型A的正确率为85%，AUC为0.98；模型B的正确率为93%，AUC为0.92。那么选择哪个模型呢？很多朋友首先应该会质疑方法使用的正确性，不过出现这个问题的可能性很小，我们假设方法是正确的，主要探讨AUC和正确率矛盾的问题。查阅文献，发现不少朋友也遇到同样的问题，更巧的是已有学者通过模拟研究证实矛盾的存在。下面图表中的最后一列展示的正是AUC和正确率结论的一致比例，较低可达93.5%。 2. 解释接着阅读详情

https://blog.youkuaiyun.com/m0_37870649/article/details/101051795?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param

收录于

统计学

当前文章被收录于：

统计学

17 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

原文链接：https://blog.youkuaiyun.com/m0_37870649/article/details/101051795?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel>

机器学习的评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线等在介绍指标前必须先了解“混淆矩阵”：混淆矩阵 True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) 1、准确... 阅读详情

相关推荐

4.4.2分类模型评判指标（二） - ROC曲线与AUC面积

简介ROC曲线与AUC面积均是用来衡量分类型模型准确度的工具。通俗点说，ROC与AUC是用来回答这样的问题的：分类模型的预测到底准不准确？我们建出模型的错误率有多大？正确率有多高？两个不同的分类模型中，哪个更好用？哪个更准确？对于那些嫌太长不想看的同学，就看这两句话就好：如果我们选择用ROC曲线评判模型的准确性，那么越靠近左上角的ROC曲线，模型的准确度越高，模型越理想；如果我们选择用AUC面积评...

Orange_Spotty_Cat的博客 9271

AUC越大，正确率就越高？

问题近日，一位朋友拿着两个模型预测效果比较的结果来咨询，当然是遇到了一个好像不太正常的现象才来咨询的。两个模型都是二分类结局的，应用常见的Logistic回归模型得到结果如下：模型A的正确率为85%，AUC为0.98；模型B的正确率为93%，AUC为0.92。那么选择哪个模型呢？很多朋友首先应该会质疑方法使用的正确性，不过出现这个问题的可能性很小，我们假设方法是正确

LegenDavid's warehouse 3万+

精度、召回率、准确率、F1、ROC、AUC的理解

1. 错误率、精度精度（accuracy) 分类正确的样本数占总样本数的比例错误率(error rate) 分类错误的样本数占总样本数的比例通常来说精度(accuracy)不是一个好的性能指标，尤其是处理数据有偏差时候比如一类非常多，一类很少比如手写数字识别问题，只判断一副图片是不是5，由于5的图片只占百分之10左右，所以分类器总是预测图片不是5都会有90%左右的可能性是对的 2. 混...

繁华里流浪的博客 7013

AUC值越大_模型评价——准确率、精确率与召回率与F值、宏平均与微平均、ROC曲线与AUC值...

在上一篇文章中（baiziyu：模型评价——训练误差与测试误差、过拟合与欠拟合、混淆矩阵）主要介绍了模型评价涉及的基本概念，本节给出一些常用的评价指标。这些指标大致可以分为三类，第一大类是普通的准确率评价指标，它给出了模型在验证集或测试集上的一个大致准确性，在sklearn中可以通过调用模型实例的score方法获得。第二大类是精确率与召回率以及宏平均与微平均。这部分指标在一般的论文...

weixin_39637589的博客 1450

机器学习入门之分类、决策树、随机森林、KNN、SVM、分类、AUC、准确率、平均准确率、召回率、F1.

文章目录前言机器学习入门之分类一、决策树二、随机森林三、KNN四、SVM五、总结声明前言前言：这篇提示：以下是本篇文章正文内容，下面案例可供参考机器学习入门之分类一、决策树决策树是代码部分二、随机森林随机森林代码如下（示例）：代码部分三、KNN 代码如下（示例）：代码部分四、SVM 代码如下（示例）：代码部分五、总结总结处：声明以上 ...

m0_56636466的博客 4345

准确率，精准率，召回率，真正率，假正率，ROC/AUC

chase 4万+

【重磅】过拟合&欠拟合

Table of Contents 一、过拟合（一）来源说明（二）表现（三）过拟合处理，解决办法 1. 增加更多训练数据 2. 减小训练数据的噪声 3. 简化模型二、欠拟合（一）来源说明（二）表现（三）欠拟合处理，解决办法一、过拟合（一）来源说明参数越多，模型越复杂，越容易导致过拟合。（二）表现模型在训练集上表现效...

挺烦先森 2078

解决 TensorFlow 和 Keras 的 Python 版本兼容问题：详细技术指南

本文提供了TensorFlow和Keras与Python版本不兼容问题的完整解决方案。通过版本对照表指出不同TensorFlow版本对应的Python支持范围，强调2.13.x仅支持Python 3.9-3.11，且不兼容Python 3.12+。给出最佳实践建议：使用虚拟环境管理项目依赖，推荐venv或conda创建独立环境；指导正确安装TensorFlow和Keras版本，建议优先使用tf.keras避免冲突；针对常见报错如DLL加载失败、模块导入错误等提供具体解决方法。最后给出一个在兼容环境中运行的M

专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。 1663

AUC值越大_AUC，ROC 讲解

面试的时候，一句话说明AUC的本质和计算规则：AUC：一个正例，一个负例，预测为正的概率值比预测为负的概率值还要大的可能性。所以根据定义：我们最直观的有两种计算AUC的方法1：绘制ROC曲线，ROC曲线下面的面积就是AUC的值2：假设总共有（m+n）个样本，其中正样本m个，负样本n个，总共有m*n个样本对，计数，正样本预测为正样本的概率值大于负样本预测为正样本的概率值记为1，累加计数，然后除以（m...

weixin_39877504的博客 3156

BrepNet实战：5分钟搞定三维CAD模型的加工特征识别（附Python代码）

本文详细介绍了BrepNet在三维CAD模型加工特征识别中的实战应用，通过Python代码演示了从环境搭建到模型训练的全流程。BrepNet基于边界表示（BRep）的深度学习框架，能够高效识别加工特征，显著提升工业设计和智能制造领域的效率。文章还提供了性能优化和部署建议，帮助开发者快速实现AI驱动的几何特征识别。

weixin_29044713的博客 506

图片数据爬取工具Image-Downloader的安装和使用

文章目录1、python安装2、下载chromedriver并配置3、下载phantomjs并配置.4、安装相关python库5、使用安装包地址：https://github.com/sczhengyabin/Image-Downloader 下载：方式一：打开cmd,输入： git clone https://github.com/sczhengyabin/Image-Downloader.git 方式二：打开网址 1、python安装该数据爬取工具要求python>=3.5,由于

wxplol的博客 6672

AUC与准确率关系。AUC越大，准确率就越高？【优先考虑AUC】

王爷的优快云 4万+

基于STM32F407VET6的智能巡检小车灰度循迹系统优化设计

本文详细介绍了基于STM32F407VET6主控芯片的智能巡检小车灰度循迹系统优化设计。通过将传感器输出从数字量升级为模拟量以获取更丰富的路面信息，并采用PD控制算法结合速度管理策略，有效提升了小车在复杂弯道上的循迹稳定性与适应性。文章分享了硬件电路抗干扰设计、软件滤波及实战调优经验，为嵌入式开发者提供了从“能跑”到“跑得稳”的系统性解决方案。

weixin_28273593的博客 442

机器学习评价指标【准确率、精确率、召回率、F1值、ROC、AUC】

准确率(precision) 在被判定为正样本的数据中，实际为正样本的个数精确率(accuracy) 在所有数据中，正负样本判断正确的个数召回率(recall) 在实际为正样本的数据中，被判定为正样本的个数 F1值 F1值是精确率和召回率的调和均值，相当于精确率和召回率的综合评价指标 ROC 接收者操作特征曲线（receiver operating characteristic curve），是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性横坐

真心乖宝宝的博客 2056

12-RK平台U-Boot启动流程

先看概述,把这一章要回答的问题摆出来,带着问题听。RK 特有的 BootROM -> MiniLoader -> SPL -> U-Boot -> Kernel。这是因为 RK 平台使用闭源的 DDR 初始化固件,需要通过 MiniLoader 来加载和运行。为什么多一层?这是 RK 平台的特殊性决定的。RK 平台使用闭源的 DDR 初始化固件,这段代码 Rockchip 不开源,只能以二进制形式提供,它需要一个载体来加载和运行,这个载体就是 MiniLoader。

内核笔记 1146

基于R-CNN深度学习的石头剪刀布手势识别系统：数据集、模型和UI界面的完整实现

本项目的目标是开发一个基于R-CNN深度学习模型的手势识别系统，能够识别石头、剪刀、布三种手势，并通过UI界面让用户能够进行交互。数据集准备与标注：收集包含石头剪刀布手势的图像，并对其进行标注。深度学习模型构建与训练：采用R-CNN模型进行手势的识别和定位。UI界面设计：设计一个简洁的界面，用户可以上传手势图像并进行识别。R-CNN（Region Convolutional Neural Networks）是一个典型的目标检测模型。生成候选区域。

YOLO 876

诊断试验评价指标计算，ROC曲线与AUC值差异比较，ROC曲线案例分析

本文系统介绍了诊断试验的评价指标与分析方法。主要内容包括：（1）常用评价指标的计算方法，如敏感度、特异度、阳性预测值、阴性预测值及约登指数；（2）ROC曲线的原理与应用，包括曲线解读、AUC值判断标准及最佳界值确定方法；（3）通过案例演示了SPSSAU软件进行ROC分析的操作流程；（4）介绍了AUC差异比较的两种检验方法（Hanley&McNeil法和Delong检验）；（5）阐述了联合诊断的实现方法。文章为临床研究者提供了全面的诊断试验评价方法指导。

m0_37228052的博客 2435

华为ONU远程登录管理配置

华为P602E、EG8040CONU、EG8240H5、W626E等ONU、ONT默认无法配置管理IP，无法远程telnet登录管理。校园网项目中因故障诊断需要远程登录ONU可以通过OLT的远程WEB代理功能链接登录，具体配置如下：

symstandsun的博客 6108

大模型微调评估指标

大模型微调结果常用指标

weixin_45320238的博客 1067

复分析阿尔福斯(Ahlfors) 第三版答案英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

Roc曲线

一、应用场景 ROC曲线，也称受试者工作特征曲线，感受性曲线；ROC曲线最初是运用在军事上，当前在医学领域使用非常广泛，用于研究X对于Y的预测准确率情况。案例：雷达兵的任务在于监视雷达，观察是否有敌机来袭，当然如果有飞鸟来袭，也会出现信号，如果过于谨慎有信号就报告，会增加误报风险，但如果过于大胆，凡是信号都认为是飞鸟这会出现很大风险。ROC曲线正是解决此类问题，即用于尽最大可能研究敌机信号和飞鸟信号之间的区别，以增加预报准确性。核心在于研究漏报和误报之间的概率分布情况，横坐标表示飞鸟信息不报

m0_37228052的博客 2万+

STM32F407中文手册

STM32f407中文手册本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

金融风控-Task1学习笔记

一、学习知识点概要本文章是针对AI训练营金融风控中讲述的关于赛题的理解，通过查阅资料，做笔记来帮助自己更好的理解以及记录自己学习历程。主要分为：何为ROC曲线？何为AUC评价指标？计算AUC的方法如何绘制ROC曲线？其他评价指标二、学习内容何为ROC曲线？ ROC（receiver operating characteristic curve）接收者操作特征曲线，是由二战中的电子工程师和雷达工程师发明用来侦测战场上敌军载具（飞机、船舰）的指标，属于信号检测理论。曲线上每

weixin_47260919的博客 279

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

AUC值越大_一文看懂ROC、AUC

评测指标是衡量一个算法是否出色的一个重要部分，好的指标能让我们这些炼丹学徒知道，练出来的丹药是否有效果。那么在机器学习中有哪些值得一探究竟的指标呢？本文就PR图，ROC、AUC、mAP这4个方面进行详细探究。总的来说评价指标的核心得从二分类问题说起：一个类，它实际值有0、1两种取值，即负例、正例；而二分类算法预测出来的结果，也只有0、1两种取值，即负例、正例。我们不考虑二分类算法细节，当作黑箱子就...

weixin_39730587的博客 4256

一文读懂准确率、精准率、召回率、ROC、AUC、F1值

准确率，精准率，召回率分类问题中的混淆矩阵如下 TP：预测为1，预测正确，即实际1 FP：预测为1，预测错误，即实际0 FN：预测为0，预测错确，即实际1 TN：预测为0，预测正确即，实际0 准确率 accuracy 准确率的定义是预测正确的结果占总样本的百分比，其公式如下： 准确率=(TP+TN)/(TP+TN+FP+FN) 虽然准确率可以判断总的正确率，但是在样本不平衡的情况下，并不能作为很好的指标来衡量结果。举个简单的例子，比如在一个总样本中，正样本占90%，负样本占10%，样本是严重不

cz的博客 1万+

AUC、ACC、F1、准确率、召回率

准确率 - accuracy 精确率 - precision 召回率 - recall F1值 - F1-score ROC曲线下面积 - ROC-AUC （area under curve） PR曲线下面积 - PR-AUC 1 、auc AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价

qq_44783689的博客 1万+

ROC/AUC曲线学习及Python实现

参考博客：【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC 一、准确率，精准率，召回率 1.TP、TN、FP、FN概念 P（Positive）：代表1 N（Negative）：代表0 T（True）：代表预测正确 F（False）：代表错误以上四种情况可理解为：先看 ①预测结果（P/N），再根据②实际表现对比预测结果，给出判断结果（T/F）。如： TP：预测为1，预测正确，即实际1 FP：预测为1，预测错误，即实际0 FN：预测为0，预测错误，即实际1

Joker 007的博客 2万+

上一篇：什么是AUC

下一篇： sklearn网址搜索sklearn.org 内有sklearn.metrics的详细介绍

4.4.2分类模型评判指标（二） - ROC曲线与AUC面积

Orange_Spotty_Cat的博客

05-30

9271