AITerms 登入
模型評估機器學習統計方法

ROC 曲線下面積(Area Under the ROC Curve)是什麼?

衡量分類模型在不同閾值下的綜合表現,AUC=1 完美,AUC=0.5 等於隨機猜

同主題的術語模型評估機器學習

完整定義

ROC 曲線下面積(AUC)是一種用於量化二元分類器性能的指標。它代表 ROC 曲線下方的面積,取值範圍在 0 到 1 之間。AUC 值越大,表示分類器的性能越好,能更準確地區分正負樣本。AUC 值為 0.5 表示分類器的性能等同於隨機猜測。

白話說明

兩個分類模型都說自己很準,怎麼知道誰比較會分正負樣本?

你可以把 ROC 曲線下面積想成模型的排序能力分數,它看的是整體區分力。

它不只看一個門檻,而是把不同門檻下的表現都考慮進去。

記住這句

AUC 越高,代表模型把正例排前面的能力越強

比喻:AUC 就像是裁判給分類模型打的總分 -- 它不只看模型在某個情況下表現好不好,而是綜合評估模型在所有「判斷標準」下,區分正反兩類的能力有多強。

容易混淆

AUC vs 準確率?

AUC:看模型把正例排在負例前面的能力

準確率:看某個固定門檻下答對多少

最關鍵的區別:AUC 看整體排序,準確率看單一門檻

AUC vs 精確率?

AUC:不直接受正負樣本比例影響太大

精確率:很受正例比例影響

最關鍵的區別:AUC 適合樣本不平衡時比較模型整體區分力

AUC vs ROC 曲線?

AUC:重點是曲線面積

ROC 曲線:重點是不同門檻下的 TPR 與 FPR

最關鍵的區別:ROC 是圖,AUC 是把圖摘要成一個數字

實際案例

醫療篩檢

醫師想先把高風險病人排前面,AUC 高的模型通常比較能把真正陽性者往前排

詐欺偵測

交易量很大、正例很少時,AUC 能幫你比較模型是不是有把可疑交易排到前面

演算法與應用

重點
橫軸
你要看什麼
假陽性率 FPR
為什麼重要
代表誤把負例判成正例的比例
重點
縱軸
你要看什麼
真正率 TPR
為什麼重要
代表正例被抓到的比例
重點
數值
你要看什麼
曲線下面積 0 到 1
為什麼重要
越接近 1 越好,0.5 近似隨機

情境判斷

Q1:AUC 0.92 的模型和 AUC 0.81 的模型相比,通常哪個整體區分力較好?

0.92 的模型通常較好,因為它在各種門檻下更常把正例排前面

Q2:如果你的業務只在意某個很高的召回率區間,AUC 還是唯一指標嗎?

不是,這時還要看特定門檻下的召回率、精確率和成本,AUC 只能當總覽

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把ROC 曲線下面積列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本