最近在打天池的比赛，里面需要用AUC来评测模型的性能，所以这里介绍一下AUC的相关概念，并介绍TensorFlow含有的函数来计算AUC。
先介绍一些前置的概念。在一个二分类问题中，如果本身是正例（positive），预测正确也预测成正例，则称为真正例（true positive），简称TP，而预测错误预测成了反例，则称为假反例（false negative），简称FN，如果本身是反例（negative），预测正确也预测成反例，则称为真反例（true negative），简称TN，而预测错误预测成了正例，则称为假正例（false positive），简称FP。查准率、查全率以及F1值都是根据上述四个值计算出来的，这里不做赘述。
真正例率（True Positive Rate，简称TPR），计算公式为TPR = TP / (TP + FN)，和查全率的公式一致，表示预测为正例且本身是正例的样本数占所有本身是正例的样本数的比重。假正例率（False Positive Rate，简称FPR），计算公式为FPR = FP / (TN + FP)，表示预测为正例且本身是反例的样本数占所有本身是反例的样本数的比重。
ROC全称是受访者工作特征（Receiver Operating Characteristic）曲线，用来研究一般情况下模型的泛化性能。先根据模型的预测结果将样本进行排序，将最可能是正例，也就是预测出是正例的概率最高的样本排在前面，然后概率依次降低，将最不可能是正例也就是预测时正例概率最低的样本排在最后。然后ROC曲线以真正例率作为纵轴，假正例率作为横轴，按顺序逐个把样本预测成正例，在每个样本预测后TPR、FPR的值都会改变，就在图像上增加一个新的点，直到所有点都预测为正例为止。可以考虑一种极端情况作为例子，如果模型非常完美，泛化性能很好，则在排序后前面的全是预测正例实际上也是正例，后面的全是反例，实际上也是反例。一开始将所有样本都预测为反例，此时TP和FP都是0，所以曲线从原点（0,0）开始，将第一个样本预测为正例，此时它本身是正例，预测也是正例，所以TP为1，TPR此时为1/正例样本数，而FP还是为0，所以曲线下一个点沿y轴向上。以此类推，一直预测到最后一个正例，此时TP为正例样本数，TPR为1，所以曲线延伸到了（0,1），然后将第一个反例预测成了正例，此时TP值不变，FP变为1，FPR此时为1/反例样本数，所以曲线在y值仍然为1的情况下沿x轴正方向增加一个点进行延伸，以此类推一直到把所有的反例都预测正正例，此时FP为反例样本数，FPR值也为1。上面的例子是一个完美的模型，而如果有预测错误的，即按顺序预测将所有的正例预测为正例前遇到了 反例预测为正例，则FP值会增加，此时仍有正例没有被预测为正例，所以TP不为1，而FP会变为1，即曲线没有达到（0,1）点后就会向右延伸。下图为一个ROC曲线的实例。
而直接对比两个交叉的ROC曲线，仍然无法很好地评测模型的性能，所以用曲线下的面积来代表模型的性能，也就是本文要介绍的AUC（Area Under ROC Curve）。从上文完美模型的例子可知，AUC的面积上限为1。随机猜测时AUC的值即为0.5，所以在深度学习中一般模型的AUC都会大于0.5，如果模型的值远远小于0.5，可能是你的标签弄反了，我在天池一个比赛中，一开始AUC只有0.24，比胡乱猜测的0.5都要低，一开始百思不得其解，后来发现题目要求上传的是反例的概率，我上传的是正例的概率，所以实际上我模型的AUC是0.76，这点要注意。
由于我的模型是用TensorFlow 代码生成的，所以AUC也自然使用TensorFlow提供的函数来计算。网上很多的资料是用用tf.contrib.metrics.streaming_auc这个函数来计算的，但访问官方文档会提示该函数已经弃用，在未来版本会删去，应该使用tf.metrics.auc函数，函数体如下：
tf.metrics.auc(
labels,
predictions,
weights=None,
num_thresholds=200,
metrics_collections=None,
updates_collections=None,
curve='ROC',
name=None,
summation_method='trapezoidal'
)Args:
labels: A Tensor whose shape matches predictions. Will be cast to bool.
predictions: A floating point Tensor of arbitrary shape and whose values are in the range [0, 1].
weights: Optional Tensor whose rank is either 0, or the same rank as labels, and must be broadcastable to labels (i.e., all dimensions must be either 1, or the same as the corresponding labels dimension).
num_thresholds: The number of thresholds to use when discretizing the roc curve.
metrics_collections: An optional list of collections that auc should be added to.
updates_collections: An optional list of collections that update_op should be added to.
curve: Specifies the name of the curve to be computed, 'ROC' [default] or 'PR' for the Precision-Recall-curve.
name: An optional variable_scope name.
summation_method: Specifies the Riemann summation method used (https://en.wikipedia.org/wiki/Riemann_sum): 'trapezoidal' [default] that applies the trapezoidal rule; 'careful_interpolation', a variant of it differing only by a more correct interpolation scheme for PR-AUC - interpolating (true/false) positives but not the ratio that is precision; 'minoring' that applies left summation for increasing intervals and right summation for decreasing intervals; 'majoring' that does the opposite. Note that 'careful_interpolation' is strictly preferred to 'trapezoidal' (to be deprecated soon) as it applies the same method for ROC, and a better one (see Davis & Goadrich 2006 for details) for the PR curve.
Returns:
auc: A scalar Tensor representing the current area-under-curve.
update_op: An operation that increments the true_positives, true_negatives, false_positives and false_negatives variables appropriately and whose value matches auc.
即最简单的使用方法是直接传两个参数labels和predictions，也就是样本的标签和预测的概率，会得到返回的auc的值，num_thresholds的值默认为200，而越大auc的值会越精确，一直到你的样本数量为止，之后再增大不会改变，所以样本数大于200需要对num_thresholds进行传参。但是实际使用上会遇到一些问题。首先，在写好该公式，在已经运行过sess.run(tf.global_variables_initializer())后进行sess.run该auc，会提示下列错误：
FailedPreconditionError (see above for traceback): Attempting to use uninitialized value auc/true_negatives查阅网上相关资料后发现要在运行前添加这么一句：
sess.run(tf.local_variables_initializer()) 或 sess.run(tf.initialize_local_variables())第二种方式运行时会建议你使用第一种。
这样编码后程序能顺利运行不报错，但这样运行后的auc的值始终是0.0，怎么调整参数都没有用，我一度怀疑是代码的问题，后来在stackoverflow，发现在sess.run(auc_value)以前，由于tf.metrics.auc会返回两个参数，第一个参数auc_value是auc的值，第二个参数auc_op是auc的更新操作，要先运行sess.run(auc_op)后再运行计算auc的值，才会正确显示auc的值。我的代码例子如下：
prediction_tensor = tf.convert_to_tensor(prediction_list)
label_tensor = tf.convert_to_tensor(label_list)
auc_value, auc_op = tf.metrics.auc(label_tensor, prediction_tensor, num_thresholds=2000)
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())
sess.run(auc_op)
value = sess.run(auc_value)
print(prediction_tensor)
print(label_tensor)
print("AUC:" + str(value))其中prediction_list和label_list都是Python list类型，prediction_list每个元素都是0~1的概率值，label_list每个元素的值都是True或False，转化为tensor后即可计算对应的AUC，运行结果如下。
Tensor("Const:0", shape=(1544,), dtype=float32)
Tensor("Const_1:0", shape=(1544,), dtype=bool)
AUC:0.97267157这样就能成功运行并显示AUC了。
来源：oschina
链接：https://my.oschina.net/u/2391658/blog/3063241