AUC（Area Under Curve）是机器学习中二分类模型的一个评价指标。定义为ROC曲线中下的面积，但我们先不管定义。
简单解释，AUC代表的是真阳性率（实际阳性、猜测阳性） > 伪阳性率（实际阴性、猜测阳性）的概率。
就拿预测患糖尿病概率这一事例来说，对于真的患有糖尿病的人我们当然应该尽可能预测为阳性，而对没患糖尿病的人应尽可能不预测为阳性，所以真阳性率应该尽可能大，伪阳性率应尽可能小。
深入解释的话，首先来看混淆矩阵：
参考混淆矩阵，我们可以直观知道：
真阳性率 = 真阳性 / 真实阳性总数 = TP / ( TP + FN )
伪阳性率 = 伪阳性 / 真实阴性总数 = FP / ( FP + TN )
接着，我们知道，一堆数据经过分类器模型的计算后，会得到一个0-1之间的数，这个数即样本结果为1的概率，如下面的例子：
一般在生活中遇到这种数据，我们会习惯性地用四舍五入来归纳预测的数据，即>=0.5为1，<0.5为0，如此得到的混淆矩阵如下：
计算的结果：
真阳性率 = 3 / (3+2) = 0.6
伪阳性率 = 3 / (3+4) = 0.43
这便是一个可用的点数据。
回头看一下，得出这组数据的前提，是我们选择了四舍五入（0.5）来归纳预测数据，这里的0.5便是阀值。
而除了0.5，阀值还可能是从0到1的任何一个值，一般把所有预测概率结果排序得到所有阀值（如实例中的阀值就有0.2、0.3、0.4、0.5、0.6、0.7、0.9），以阀值来划分预测数据是属于阳性还是阴性。
所以当我们把阀值设定为许多个不同的数，便能得到许多个不同的混淆矩阵，从而计算得到许多组不同的(真阳性率, 伪阳性率)的点数据，这时我们便能引入ROC曲线这个东西了，所有这些点构成的曲线便是ROC曲线：
数据量大时，曲线近于平滑，大概会长比如这样子（网上随便找的图）：
这时，我们再来看AUC的定义：ROC曲线中下的面积。也就是说，曲线下的阴影部分面积即为我们心心念念的AUC了！
所以AUC值一般是越大越好，即阴影面积越大。
放到ROC曲线看，即TPR越大越好，FPR越小越好。
放到混淆矩阵中看，即真阳性率越高越好（阳性值尽可能多预测为阳性），伪阳性率越低越好（阴性值尽可能少预测为阳性）。
而AUC描述的，就是这个“好”的大小。