AUC 秩次估算 使用指南
AUC 秩次估算器，用 Mann-Whitney U 法由样本秩和估算 ROC 曲线下面积，评估二分类模型排序能力。
计算公式与原理
U = ΣRank(正例) − nPos(nPos+1)/2；AUC = U/(nPos × nNeg)
Mann-Whitney U 统计视角：AUC 等于"随机抽一个正例与一个负例，正例得分更高的概率"。把所有样本按得分升序排名，用正例秩和减去最小可能秩和即得 U，再除以正负配对总数 nPos×nNeg，结果 0.5 表示无区分能力。
使用步骤
- 填写「正样本数」。
- 填写「负样本数」。
- 填写「正样本秩和」。
- 结果区会即时更新；可一键复制结果用于记录或汇报。
典型使用场景
- AUC 等价于随机抽一正一负样本、正样本得分更高的概率，可用 Mann-Whitney U 由秩和估算。
- 公式 AUC=1−U₁/(n₁·n₂)，U₁=R₁−n₁(n₁+1)/2，R₁ 为正类秩和。
- AUC=0.5 为随机，1 为完美排序；对类别不平衡与阈值无关，适合排序质量评估。
算例参考
- 秩和算 AUC：正类 3 个得分排序后的秩和 R₁=2+4+5=11，n₁=3,n₂=3。U₁=11−3×4/2=5，AUC=1−5/(3×3)=1−0.556=0.444。说明正负排序接近随机偏弱。
注意事项
结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。
- AUC 和准确率有什么关系？
- 无直接等价。准确率是固定阈值下的分类正确率，AUC 是遍历所有阈值的整体排序质量，AUC 高不代表某阈值下准确率也高。
- 样本量大时秩和法还准吗？
- 准。Mann-Whitney 是 AUC 的无偏估计，样本越多越稳；只是实现上可用更高效的计数法避免显式排序开销。