最近在打一个数据挖掘的比赛，看到评分标准如下：
按如下公式计算得分：
score=0.6×auc+0.4×F1
其中：
auc值为在测试集上，根据预测结果按照标准auc定义计算的分值；
F1值为针对测试集中实际标签为1（风险用户）的用户，根据预测结果，按照标准F-measure定义计算的分值。
对于一个刚接触数据挖掘的人来说，连评分规则都没看懂，GG了，于是果断查了下AUC的用法。
AUC是一个模型评价指标，只能用于二分类模型的评价。很多机器学习的模型对分类问题的预测结果都是概率，如果要计算accuracy，需要先把概率转化成类别。这就需要手动设置一个阈值，如果对一个样本的预测概率高于这个预测，就把这个样本放进一个类别里面。低于这个阈值，放进另一个类别里面。
AUC是指 随机给定一个正样本和一个负样本，分类器输出该正样本为正的那个概率值 比 分类器输出该负样本为正的那个概率值 要大的可能性。
对于一批已知正负的样本集合（M正N负），任取一个正样本和一个负样本，共有M*N种方法（事件集合，作为分母）。每次取一个正样本，通过我们的模型来计算他的概率值，再根据所有负样本的概率值，概率值低于正样本概率值的就是符合条件的（分子数值加1）。遍历完M个正样本的情况，得到的结果就是AUC值。
知乎上说，AUC方法可以避免将预测概率转换为类别。个人理解，在使用AUC评估模型的时候，使用的是概率值来评估模型而没有受到阀值的影响，这样对模型的评价可能更准确些。
参考：https://www.zhihu.com/question/39840928?from=profile_question_card
接下来要了解一下F-measure方法了。这个方法是建立在精确率（precision）和召回率（recall）的基础上。具体参考此篇博客：https://blog.argcv.com/articles/1036.c
比赛要求的提交格式如下：
参赛队伍在初赛、复赛阶段均以csv文件格式提交的预测结果，结果文件中每行代表对一个用户的预测结果，形式为”uid, label”。其中：
uid应按照预测的风险可能性从高到低排序；
label为用户的风险判别标记，取值为0或1(0-非风险用户,1-风险用户)。
将风险性从高到低排序，这样子系统就可以计算出AUC值来给你的模型评分了。AUC值不会受阀值影响，但是F-measure会。在修改模型时要考虑一下是哪种因素。