ROC AUC 近似 使用指南
输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无关性能对比与报告。
计算公式与原理
AUC ≈ 0.5 + 0.5·erf[(μ₊ − μ₋)/√(2(σ₊² + σ₋²))]；分离度 d' = (μ₊ − μ₋)/√[(σ₊² + σ₋²)/2]
在正负样本得分各自近似正态的假设下，AUC 可由两分布的均值差与方差直接算出，无需逐对比较，适合只有汇总统计量的快速估算。若真实分布长尾或严重偏态，该近似会偏离实测 AUC，此时应改用秩次法。
使用步骤
- 填写「正例平均得分」。
- 填写「负例平均得分」。
- 填写「正例标准差」。
- 填写「负例标准差」。
- 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 为 ROC 曲线下面积，等价于随机正样本得分高于随机负样本的概率。
- AUC=0.5 为随机分类，1 为完美；对类别不平衡与阈值选择不敏感。
- 近似可用梯形法逐点算 ROC 下面积，或 Mann-Whitney 由秩和估算。
算例参考
- AUC 解读：某模型 AUC=0.85：随机抽取一正一负样本，正样本得分更高概率 85%。相比准确率需固定阈值，AUC 给出整体排序质量。
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 高但线上效果差？
- AUC 只反映排序能力，不保证某业务阈值下的准确率/召回；且训练/验证分布若与线上偏移，AUC 高也可能落地差。
- 样本极不平衡 AUC 还准吗？
- AUC 本身对不平衡稳健(基于排序)，但正类极少时估计方差大、且业务更关心正类召回，应辅以 PR-AUC。