AUC的计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。AUC代表模型预估样本之间的排序关系，即正负样本之间预测的gap越大，auc越大.

来自 https://blog.csdn.net/pearl8899/article/details/126129148

import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([1,1,0,0,1,1,0])
y_scores = np.array([0.8,0.7,0.5,0.5,0.5,0.5,0.3])
print "y_true is ",y_true
print "y_scores is ",y_scores
print "AUC is",roc_auc_score(y_true, y_scores)
 
 
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
print "y_true is ",y_true
print "y_scores is ",y_scores
print "AUC is ",roc_auc_score(y_true, y_scores)

以下图片截图自bilibili的https://www.bilibili.com/video/BV1H54y1D7or/?spm_id_from=333.337.search-card.all.click&vd_source=31b5f71a7c377ebe9d0311113f0f1586

使用AUC是因为，当样本分布不均衡的时候，比如全是1的时候，F1就很高，但是此时模型实际上很差，所以需要一个不受阈值选择影响的指标。

ROC曲线上的每一个点都是取不同阈值得到的，曲线下的面积就是AUC。由于面积不太好求，所以我们使用另一种简单的方法：