实现思路如下：auc（曲线下面积）定义为roc曲线下的面积。显然，这个面积的值不会大于1。因为roc曲线通常在y=x线上，auc在0.5到1之间。由于roc曲线不能清楚地反映出哪种分类器更好，因此采用auc值作为评价标准。作为一个数值，auc越大的分类器效果越好。首先，auc值是一个概率值。当随机选择正样本和负样本时，当前分类算法根据计算出的得分值将正样本排在负样本前面的概率为auc值。当然，auc值越大，当前的分类算法将正样本排在负样本前面的可能性就越大，也就是说，它可以更好地分类。
roc曲线分析是评价logistic回归模型的另一种方法。用roc曲线下面积（auc）评价模型预测值区分疾病与对照的能力。auc也称为c统计量和一致性指数。roc曲线下面积为a，可用来综合评价诊断的准确性。它可以理解为所有特定条件下的平均灵敏度，其取值范围为0≤a≤1。在a>0.5的情况下，a越接近1，诊断准确率越高。当a=0.5时，诊断根本不起作用。a<0.5与实际情况不符。一般来说，0.5＜a≤0.7为低诊断值；0.7＜a≤0.9为中诊断值；a＞0.9为高诊断值。
具体说明如下：随机选取一个样本，每个势值x对应一个概率p，按照概率从高到低的降序排列，秩是正样本中的最高概率，概率小于m-1正样本（m是正样本数），（秩1-m）负样本。第二高的正样本概率是秩2。小于这个概率的是m-2个正样本2-m1）个负样本。以此类推，正样本中概率最低的是秩m，比这低的是0个正样本，秩m-1个负样本。有mxn个正样本对和负样本对（n是负样本数）。公式（秩）是通过计算所有正样本概率大于负样本概率的情况得到的。。。。秩m-1）/（mxn）是正样本概率大于负样本概率的概率。
受试者操作特征曲线（roc曲线）
roc曲线是反映敏感性和特异性连续变量的综合指标。spss统计软件包10.0版具有roc曲线的统计功能。roc曲线的真阳性率为纵坐标，假阳性率为横坐标。坐标由无数对真阳性率和由无数个临界值计算出的假阳性率组成。计算roc曲线下面积aucroc，评价诊断效率。
1.工业中的大型模型基本上都是logistic区域和线性区域，因此sgd和lbfgs的理解是非常重要的，并行推导对于理解lr是如何并行的是非常重要的
2。其次，常用的机器学习算法，如svm、gbdt、knn等，应该了解其原理，能够在压力下快速响应。算法的优缺点和适应场景应基本清晰
3基本算法数据结构应熟练，链表二叉树，快速行合并，动态返回等
1。roc分析步骤：①绘制roc曲线。根据专业知识，通过对疾病组和对照组测量结果的分析，确定测量值的上下限、组距和分界点。按所选组距区间列出累积频数分布表，分别计算各分界点的敏感性、特异性和假阳性率（1-特异性）。以灵敏度为纵坐标表示真阳性率，以1-特异性为横坐标表示假阳性率。
②roc曲线评价统计计算。roc曲线下面积在1.0～0.5之间。auc>0.5时，auc越接近1，诊断效果越好。0.5-0.7的auc具有较低的准确性，0.7-0.9的auc具有一定的准确性，0.9以上的auc具有较高的准确性。auc=0.5时，表示诊断方法无效，无诊断价值。（3）两种诊断方法的统计学比较。比较两种诊断方法时，根据不同的实验设计，可采用以下两种方法：①两种诊断方法对不同的受试者进行时，采用分组比较法。②如果对同一受试者采用两种诊断方法，则采用配对比较法。
2.接收机工作特性曲线（roc曲线）又称灵敏度曲线。之所以取这个名字，是因为曲线上的每个点都反映了相同的接受能力。它们都是对同一信号刺激的反应，但只是在几个不同标准下得到的结果。接收机工作特性曲线是以误击概率为横轴、命中概率为纵轴，以及受试者在特定刺激条件下因判断标准不同而得出的不同结果的坐标图。
