auc和acc一般谁大——auc和acc一般谁大，auc大。根据查询相关信息，AUC的值总是大于0.5，小于1，acc的值总是大于0.3，小于0.5，所以auc和acc一般谁大，auc大。
对模型评价指标AUC的理解——其只能用于二分类的情况. AUC的本质含义反映的是对于任意一对正负例样本,模型将正样本预测为正例的可能性 大于 将负例预测为正例的可能性的 概率 ( 
没办法这句话就是这么绕, rap
auc是指什么——这个面积的数值不会大于1，又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间，AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。我们往往使用AUC值作为模型的评价标准
推荐系统之评估方法和评价指标PR、ROC、AUC——因此，我们认为AUC的最小值为0.5（当然也存在预测相反这种极端的情况，AUC小于0.5，这种情况相当于分类器总是把对的说成错的，错的认为是对的，那么只要把预测类别取反，便得到了一个AUC大于0.5的分类器）。其中，1代
药理学auc名词解释——AUC=药物浓度x时间，具有线性动力学特点的药物，AUC值与剂量成正比，因面用ALC，所以AUC可以表示服用某一剂量药物后一定时间内药物吸收入血的相对分量。还可通过比较血管外途径与静脉注射给药的AUC来确定该药的吸收分数。血药
什么是AUC——按照定义，AUC即ROC曲线下的面积，而ROC曲线的横轴是FPRate，纵轴是TPRate，当二者相等时，即y=x，如下图，表示的意义是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的。而我们希望分类器达到的效果是
机器学习和统计里面的auc怎么理解——我给出的答案是 AUC是指 随机给定一个正样本和一个负样本，分类器输出的正样本的概率 比 分类器出去负样本的概率 大的可能性。（这里要感谢下 @付笑晗 大兄弟的严谨）。详细解释如下：随机抽取一个样本， 对应每一潜在
ROC曲线、AUC含义——，要大于真实类别为负类而预测类别为正类的概率（即FPRate），即y＞x，因此大部分的ROC曲线长成下面这个样子：最理想的情况下，没有真实类别为1而错分为0的样本，TPRate一直为1，于是AUC为1，这便是AUC的极大值。
原文链接：继续教育题auc大于，转载请注明来源！
