ROC曲線分析是評價logistic回歸模型的另一種方法。用ROC曲線下面積（AUC）評價模型預測值區(qū)分疾病與對照的能力。AUC也稱為c統計量和一致性指數。ROC曲線下面積為a，可用來綜合評價診斷的準

ROC曲線分析是評價logistic回歸模型的另一種方法。用ROC曲線下面積（AUC）評價模型預測值區(qū)分疾病與對照的能力。AUC也稱為c統計量和一致性指數。ROC曲線下面積為a，可用來綜合評價診斷的準確性。它可以理解為所有特定條件下的平均靈敏度，其取值范圍為0≤a≤1。在a>0.5的情況下，a越接近1，診斷準確率越高。當a=0.5時，診斷根本不起作用。A<0.5與實際情況不符。一般來說，0.5＜a≤0.7為低診斷值；0.7＜a≤0.9為中診斷值；a＞0.9為高診斷值。

為什么ROC曲線能衡量模型效果呢？

實現思路如下：AUC（曲線下面積）定義為ROC曲線下的面積。顯然，這個面積的值不會大于1。因為ROC曲線通常在y=x線上，AUC在0.5到1之間。由于ROC曲線不能清楚地反映出哪種分類器更好，因此采用AUC值作為評價標準。作為一個數值，AUC越大的分類器效果越好。首先，AUC值是一個概率值。當隨機選擇正樣本和負樣本時，當前分類算法根據計算出的得分值將正樣本排在負樣本前面的概率為AUC值。當然，AUC值越大，當前的分類算法將正樣本排在負樣本前面的可能性就越大，也就是說，它可以更好地分類。

如何用excel計算auc曲線下面積？

1. 工業(yè)中的大型模型基本上都是logistic區(qū)域和線性區(qū)域，因此SGD和lbfgs的理解是非常重要的，并行推導對于理解LR是如何并行的是非常重要的

2。其次，常用的機器學習算法，如SVM、gbdt、KNN等，應該了解其原理，能夠在壓力下快速響應。算法的優(yōu)缺點和適應場景應基本清晰

3基本算法數據結構應熟練，鏈表二叉樹，快速行合并，動態(tài)返回等

ROC曲線下的區(qū)域-spssau ROC曲線稱為AUC，這表明了預測的準確性。AUC值越高，預測精度越高。AUC值越高，預測精度越低。如果AUC小于0.5，說明預測性診斷比隨機猜測更差。這種情況不應該發(fā)生在實際情況中。可能是狀態(tài)變量標準集錯了。建議檢查設置。