已验证75% 置信事实精确时间
AUC-ROC的核心优势在于对类别不平衡不敏感，能反映模型在不同分类阈值下的综合区分能力，AUC值范围在0.5到1.0之间
5
来源数
75%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
从零训练机器学习模型：新手完整入门指南
redditr/learnmachinelearning2026/7/11
相关事实
已验证AUC的取值范围在0到1之间，数值越大代表模型分类能力越强84% 相似已验证ROC曲线的AUC=1表示完美分类器，AUC=0.5等同于随机猜测82% 相似待验证ROC曲线下面积（AUC-ROC）越接近1，分类器越优秀81% 相似待验证AUC是二分类模型的综合评估指标，值域0.5到1.0，不受样本类别不平衡影响；临床预测中AUC 0.7~0.8有一定参考价值，0.8~0.9为良好，0.9以上为优秀81% 相似待验证在不平衡分类问题中，即使模型将所有样本都预测为多数类也能获得很高的准确率，因此需要转向精确率-召回率曲线、F1分数、Matthews相关系数或AUC-ROC等更具鉴别力的指标76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/490197API
curl https://kongchang.com/api/v1/knowledge/claims/490197MCP
get_claim(id=490197)