AUC(area under the curve)是模型评估指标，特别是二分类模型使用的主要离线评测指标之一。

参考博客，AUC值是ROC曲线与x轴围成的面积。AUC的来源路线：混淆矩阵--ROC曲线--AUC

1.混淆矩阵(二分类) T P R ( 真 正 例 概 率 ) = T P T P + F N TPR(真正例概率)={ \frac {TP} {TP+FN}} TPR(真正例概率)=TP+FNTP​ F P R ( 假 正 例 概 率 ) = F P F P + T N FPR(假正例概率)={ \frac {FP} {FP+TN}} FPR(假正例概率)=FP+TNFP​

当阈值（区分类别1,0的值）从1到0慢慢移动，产生很多对 (FPR,TPR)。以FPR为x轴，TFR为y轴的曲线就是ROC曲线，而AUC就是ROC曲线和x轴围成的面积。

AUC的值表示y=1和y=0的距离，也就是AUC越大，两个数据隔得越开，分类的准确率越大。我的AUC=0.506031，预测的准确率只有50%左右。 分类器选取阈值不同，分类的结果也会受到影响。使用AUC的话，考虑到了阈值变动，所以评估的效果更好。

PRC曲线是准确率和召回率的点连成的线。AUPRC=PRC曲线和x轴围成的面积。同AUC相同可以作为选取合适阈值的方法。

F1是分类问题的一个衡量指标。表示准确率（precision）和召回率（recall）的平均数。 F 1 = 2. p r e c i s i o n . r e c a l l p r e c i s i o n + r e c a l l F_1=2.{ \frac {precision.recall} {precision+recall}} F1​=2.precision+recallprecision.recall​

IoU=预测框和真实框的交并比： I o U = ∣ A ⋂ B ∣ ∣ A ⋃ B ∣ IoU={ \frac {|A \bigcap B|} {|A\bigcup B|}} IoU=∣A⋃B∣∣A⋂B∣​