ROC(Receiver Operating Characteristic) 受试者工作特性曲线
纵轴TPR(真正例率)和横轴FPR(假正例率)分别为
对于二分类问题，预测模型会对每一个样本预测一个概率p。 然后，可以选取一个阈值t，让p>t的样本预测为正，反之为负。 这样一来，根据预测的结果和实际的样本标签可以把样本分为4类
| 实际正样本 | 实际负样本 | |
| 预测为正 | TP(真正例) | FP(假正例) |
| 预测为负 | FN(假负例) | TN(真负例) |
若一个学习器的ROC曲线被另一个学习器的曲线完全“包住”，则可以断言后者的性能优于前者；若两个学习器发生交叉，则难以断言哪个好哪个差，此时较为合理的评判标准是ROC下的面积，即AUC。
AUC(Area Under ROC Curve) ROC曲线下的面积
AUC的几何意义：
对ROC曲线下的各部分面积求和得到。
AUC的概率意义：
随机取出一个正样本和一个负样本，放入分类器中进行判别输出相应的为正的概率。
那么（正样本为正的概率）＞（负样本为正的概率）的可能性即AUC。
记P为出现（正样本为正的概率）＞（负样本为正的概率）的可能的次数
一堆已知正负的样本（假设正样本M个，负样本N个）
随机取一对正负样本的可能性有M*N对，则AUC=P/M*N。
接下来就是求P。
求出所有样本放入分类器后产生其可能为正的概率，对这个概率进行降序排列
记rank_x为在整个(M+N)中输出概率排名为rank_x的正样本的秩，x是单纯在正样本输出概率中进行升序排列的秩。
则在这个样本排名
之后（比此样本概率小）正样本有M-X个，
之前（比此样本概率大）有M-(M-X)-1=X-1个;
之前的负样本有(M+N-rank_x)-(X-1),
之后的负样本有N-[(M+N-rank_x)-(X-1)]=rank_x-(M-X+1)。
P就是所有（正样本为正的概率）＞（负样本为正的概率）的可能组合个数，
以上诉例子来讲，就是对M个正样本而言，每次比较排名在它之后的样本个数
后面那项是等差数列，代入AUC公式化简一下就是知乎博主小小丘贴出的最后公式
参考：
周志华的西瓜书