---
title: "曲線下面積（AUC）"
slug: auc
language: zh-TW
source: https://aiterms.tw/terms/auc
updated_at: 2026-06-22
tags: [模型評估, 機器學習, 統計方法]
ipas_term: false
---

# 曲線下面積（AUC）

AUC（曲線下面積）是一種模型評估指標，用於衡量二元分類模型區分正負樣本的整體能力，值介於0到1之間，越高代表性能越好。

## 完整說明

AUC（Area Under the Curve），即曲線下面積，是一種用於評估二元分類模型性能的指標。它量化了模型區分正負樣本的整體能力，不受特定分類閾值影響。AUC值介於0到1之間，數值越高代表模型分類性能越好。常見應用包括醫療診斷、金融風險評估及推薦系統中的排序模型評估。

## 常見問題

### 一個好的AUC分數意味著什麼？

一個好的AUC分數（接近1）表示模型具有出色的區分能力，能夠在各種分類閾值下有效地區分正負類別。AUC為0.5意味著模型表現不優於隨機猜測，而1.0則代表完美分類器。通常，AUC高於0.7被認為是可接受的，而高於0.8或0.9則在許多複雜問題中被視為非常優秀。然而，具體的「好」標準會因應用領域和數據複雜性而異，應結合實際業務需求來判斷。

### 什麼時候應該使用AUC而非準確率？

您應該在以下情況優先考慮使用AUC而非準確率：當您的數據集存在類別不平衡問題時，因為準確率會被多數類別主導而產生誤導。此外，當您需要評估模型在所有可能分類閾值下的整體性能時，AUC更為合適，因為它不依賴於單一閾值。若業務需求對誤判成本敏感度高，或需要比較不同模型在廣泛操作點下的表現，AUC也能提供更全面的視角，避免因選擇單一閾值而錯失模型潛力。

### AUC可以用於多類別分類問題嗎？

雖然AUC本身是為二元分類設計的，但可以透過擴展方法應用於多類別分類問題。常見的方法包括「一對多」(One-vs-Rest)策略，即將每個類別視為正類，其餘所有類別視為負類，然後為每個二元分類問題計算AUC。這些單獨的AUC值可以透過微平均(micro-averaging)或巨平均(macro-averaging)來匯總，以獲得一個整體的多類別AUC分數，從而評估模型在多類別情境下的區分能力。但解釋時需注意其局限性，有時其他多類別指標可能更具洞察力。

---

來源：https://aiterms.tw/terms/auc
快查頁：https://aiterms.tw/terms/auc
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-auc