一、ROC曲线与AUC的基础理解
ROC曲线
ROC曲线可以认为越靠上代表分类效果越好，网上的介绍是非常的多，在这里重点是在说明其中的一个应用，下面还会有部分介绍，但是具体没有提及的部分可以网上另外查，不是本文重点。
常用的二分类算法如逻辑回归，往往需要根据业务需求设定一个临界值(用以分开0和1，默认是0.5)。
我们举一个列子来说明这个临界值(Threshold)的作用，假设真实中有250个人信用卡会违约(Negative)，250个人信用卡不会违约(Positive)。如下图所示，蓝色代表违约的人群分布，红色代表不违约的人群分布，这个例子中分类的效果还是挺好的，基本把两个人群分布分开了，ROC曲线也在左上角一小部分。图形的X轴代表预测的概率值，我们可以选择一个临界值作为0和1分类的分界点，Y轴代表观察的数量。
假如把临界值设为0.3，则左边星星面积部分可以认为被判断成违约(Negative)的人数是175个(也就是说有75个人错误地分类到不违约中)，真实不违约的人100%都预测正确了，在这个例子中X值是0.3，Y值代表有大概50个人的预测概率等于0.3(根据高度瞎猜的)。
假如把临界值设为0.5，则左边划线部分面积代表的违约人数是250个，与真实值一样，但是因为有重叠的部分，250人被分类到违约的人中有大概20个人(根据图形比例瞎猜的)真实是不违约的(Positive)而错误地分类到了违约(Negative)，也有大概20个人真实是违约的，但被分类到了不违约中。
上述的例子当然是一个比较理想的分类器，如果我们遇到的分类结果没那么好的时候，ROC曲线包括其临界值该怎么设定呢？
同样还是上面的例子，这时候可以看到整个违约的人群分布右移了(可以理解为坏人聪明了，懂得了伪装自己更接近好人，不会再有那种预测概率只有0.1那么明显的违约人士了，当然也有可能这个第二间银行，用的分类算法较上面的银行弱多了)。这时候两个人群的分布重叠的部分大多了，我们无论把临界值设在哪里都会较上一个产生更多的错误分类。
假如我们秉着“宁可杀错一万，不可放过一人”(有杀错冇放过)的信念把临界值设到0.8，则右边划线面积代表只有50个人(根据图形比例瞎猜的)会被分类到不违约(Positive)中，其余450人都会被归为违约(Negative)，真实是不违约而错判的人有200个。
说了这么多我们回到ROC曲线上面去，ROC曲线的Y轴是TPR(True Positive Rate/Sensitivity)，TPR=TP/(All Positive)，X轴是FPR(False Positive/1-Specificity)，FPR=FP/(All Negative)。因此拿第二个例子计算一下，TPR=50/250=0.2，FPR=0/250=0，因此我们取点(0，0.2)如下图ROC曲线所示，代表临界值的点。
AUC
AUC则是另外一个用于评估分类好坏的方法，其与ROC是相关联的(就是代表ROC曲线下面的面积，如下图所示的阴影部分)。分类的效果越好，ROC曲线越靠上，AUC的值越大。AUC值一般是在0.5到1之间浮动，如果AUC小于0.5，代表模型的精准度甚至不如瞎猜(瞎猜是0.5)，同理，如果AUC等于1，则表明分类精度达到100%。
假设AUC的值是0.8，我们可以解读为：随机选择一个数据，有80%的机会它的True Positive(真实是正的样本被预测为正)得分会高于False Positive(真实为负的样本被预测为正)。
几点关于ROC和AUC的补充说明：
1. ROC是最常用的用于评估二分类器好坏的方法，它着重于图形化得出直观结论，而AUC则是通过single number总结模型好坏。
2. AUC用在Unbalanced data也完全没有问题
3. ROC在预测概率不是“精确校准”(比如概率不是正常的0~1)的情况下也有用
4. ROC也可以扩展用在多分类器的评估上：假设有3个类别(画三个ROC图)
Class 1 Vs Class 2 & 3
Class 2 Vs Class 1 & 3
Class 3 Vs Class 1 & 2
5. ROC曲线的临界值并没有说那个值是好是坏，更多是根据业务需求定的一个值(瞎举个例子，信用卡部门可能更多关心不违约的用户，尽可能地最大化利润，因此可以接受一个更低的临界值)
6. 上面的例子不代表现实世界案例，现实中更多的是不平衡的分类
7. 上面例子中两个类别的人群都是服从正态分布的，而现实中的分布各种各样
二、进阶理解
ROC和AUC是评价分类器的指标，上面第一个图的ABCD仍然使用，只是需要稍微变换。
回到ROC上来，ROC的全名叫做Receiver Operating Characteristic。
ROC关注两个指标
True Positive Rate ( TPR ) = TP / [ TP + FN] ，TPR代表能将正例分对的概率
False Positive Rate( FPR ) = FP / [ FP + TN] ，FPR代表将负例错分为正例的概率
在ROC 空间中，每个点的横坐标是FPR，纵坐标是TPR，这也就描绘了分类器在TP（真正的正例）和FP（错误的正例）间的trade-off。ROC的主要分析工具是一个画在ROC空间的曲线——ROC curve。我们知道，对于二值分类问题，实例的值往往是连续值，我们通过设定一个阈值，将实例分类到正类或者负类（比如大于阈值划分为正类）。因此我们可以变化阈值，根据不同的阈值进行分类，根据分类结果计算得到ROC空间中相应的点，连接这些点就形成ROC curve。ROC curve经过（0,0）（1,1），实际上(0, 0)和(1, 1)连线形成的ROC curve实际上代表的是一个随机分类器。一般情况下，这个曲线都应该处于(0, 0)和(1, 1)连线的上方。如图所示。
用ROC curve来表示分类器的performance很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。
于是Area Under roc Curve(AUC)就出现了。顾名思义，AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的Performance。
很多大牛对AUC都有自己的认识和理解，这里围绕和AUC的意义是什么，给出一些能帮助自己理解AUC的 大牛们的回答
［1］From 机器学习和统计里面的auc怎么理解？
［2］From 机器学习和统计里面的auc怎么理解？
［3］From 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
［4］From 多高的AUC才算高？
参考资料:
ROC曲线
ROC曲线可以认为越靠上代表分类效果越好，网上的介绍是非常的多，在这里重点是在说明其中的一个应用，下面还会有部分介绍，但是具体没有提及的部分可以网上另外查，不是本文重点。
常用的二分类算法如逻辑回归，往往需要根据业务需求设定一个临界值(用以分开0和1，默认是0.5)。
我们举一个列子来说明这个临界值(Threshold)的作用，假设真实中有250个人信用卡会违约(Negative)，250个人信用卡不会违约(Positive)。如下图所示，蓝色代表违约的人群分布，红色代表不违约的人群分布，这个例子中分类的效果还是挺好的，基本把两个人群分布分开了，ROC曲线也在左上角一小部分。图形的X轴代表预测的概率值，我们可以选择一个临界值作为0和1分类的分界点，Y轴代表观察的数量。
假如把临界值设为0.3，则左边星星面积部分可以认为被判断成违约(Negative)的人数是175个(也就是说有75个人错误地分类到不违约中)，真实不违约的人100%都预测正确了，在这个例子中X值是0.3，Y值代表有大概50个人的预测概率等于0.3(根据高度瞎猜的)。
假如把临界值设为0.5，则左边划线部分面积代表的违约人数是250个，与真实值一样，但是因为有重叠的部分，250人被分类到违约的人中有大概20个人(根据图形比例瞎猜的)真实是不违约的(Positive)而错误地分类到了违约(Negative)，也有大概20个人真实是违约的，但被分类到了不违约中。
上述的例子当然是一个比较理想的分类器，如果我们遇到的分类结果没那么好的时候，ROC曲线包括其临界值该怎么设定呢？
同样还是上面的例子，这时候可以看到整个违约的人群分布右移了(可以理解为坏人聪明了，懂得了伪装自己更接近好人，不会再有那种预测概率只有0.1那么明显的违约人士了，当然也有可能这个第二间银行，用的分类算法较上面的银行弱多了)。这时候两个人群的分布重叠的部分大多了，我们无论把临界值设在哪里都会较上一个产生更多的错误分类。
假如我们秉着“宁可杀错一万，不可放过一人”(有杀错冇放过)的信念把临界值设到0.8，则右边划线面积代表只有50个人(根据图形比例瞎猜的)会被分类到不违约(Positive)中，其余450人都会被归为违约(Negative)，真实是不违约而错判的人有200个。
说了这么多我们回到ROC曲线上面去，ROC曲线的Y轴是TPR(True Positive Rate/Sensitivity)，TPR=TP/(All Positive)，X轴是FPR(False Positive/1-Specificity)，FPR=FP/(All Negative)。因此拿第二个例子计算一下，TPR=50/250=0.2，FPR=0/250=0，因此我们取点(0，0.2)如下图ROC曲线所示，代表临界值的点。
AUC
AUC则是另外一个用于评估分类好坏的方法，其与ROC是相关联的(就是代表ROC曲线下面的面积，如下图所示的阴影部分)。分类的效果越好，ROC曲线越靠上，AUC的值越大。AUC值一般是在0.5到1之间浮动，如果AUC小于0.5，代表模型的精准度甚至不如瞎猜(瞎猜是0.5)，同理，如果AUC等于1，则表明分类精度达到100%。
假设AUC的值是0.8，我们可以解读为：随机选择一个数据，有80%的机会它的True Positive(真实是正的样本被预测为正)得分会高于False Positive(真实为负的样本被预测为正)。
几点关于ROC和AUC的补充说明：
1. ROC是最常用的用于评估二分类器好坏的方法，它着重于图形化得出直观结论，而AUC则是通过single number总结模型好坏。
2. AUC用在Unbalanced data也完全没有问题
3. ROC在预测概率不是“精确校准”(比如概率不是正常的0~1)的情况下也有用
4. ROC也可以扩展用在多分类器的评估上：假设有3个类别(画三个ROC图)
Class 1 Vs Class 2 & 3
Class 2 Vs Class 1 & 3
Class 3 Vs Class 1 & 2
5. ROC曲线的临界值并没有说那个值是好是坏，更多是根据业务需求定的一个值(瞎举个例子，信用卡部门可能更多关心不违约的用户，尽可能地最大化利润，因此可以接受一个更低的临界值)
6. 上面的例子不代表现实世界案例，现实中更多的是不平衡的分类
7. 上面例子中两个类别的人群都是服从正态分布的，而现实中的分布各种各样
二、进阶理解
ROC和AUC是评价分类器的指标，上面第一个图的ABCD仍然使用，只是需要稍微变换。
回到ROC上来，ROC的全名叫做Receiver Operating Characteristic。
ROC关注两个指标
True Positive Rate ( TPR ) = TP / [ TP + FN] ，TPR代表能将正例分对的概率
False Positive Rate( FPR ) = FP / [ FP + TN] ，FPR代表将负例错分为正例的概率
在ROC 空间中，每个点的横坐标是FPR，纵坐标是TPR，这也就描绘了分类器在TP（真正的正例）和FP（错误的正例）间的trade-off。ROC的主要分析工具是一个画在ROC空间的曲线——ROC curve。我们知道，对于二值分类问题，实例的值往往是连续值，我们通过设定一个阈值，将实例分类到正类或者负类（比如大于阈值划分为正类）。因此我们可以变化阈值，根据不同的阈值进行分类，根据分类结果计算得到ROC空间中相应的点，连接这些点就形成ROC curve。ROC curve经过（0,0）（1,1），实际上(0, 0)和(1, 1)连线形成的ROC curve实际上代表的是一个随机分类器。一般情况下，这个曲线都应该处于(0, 0)和(1, 1)连线的上方。如图所示。
用ROC curve来表示分类器的performance很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。
于是Area Under roc Curve(AUC)就出现了。顾名思义，AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的Performance。
很多大牛对AUC都有自己的认识和理解，这里围绕和AUC的意义是什么，给出一些能帮助自己理解AUC的 大牛们的回答
［1］From 机器学习和统计里面的auc怎么理解？
［2］From 机器学习和统计里面的auc怎么理解？
［3］From 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
［4］From 多高的AUC才算高？
参考资料: