AUC
二分类模型最核心的综合评估指标，值域0.5到1.0，不受样本类别不平衡影响，综合衡量模型在所有分类阈值下的区分能力。0.8-0.9为良好，0.9以上为优秀
核心事实
时间轴 (近 90 天)
演示中，通过LASSO回归、SVM、随机森林和Boruta四种方法筛选特征基因，取交集得到5个交集特征基因；特征基因的ROC曲线AUC均大于0.7。
模型自身先验信号无法区分谎言与'同类事实的合法更新'，AUC仅为0.53，接近随机猜测。
模型自身先验信号能够区分'关于已知事实的谎言'和'真实的新事实'，在三个模型上的AUC达到0.78-0.83。
飓风指数在识别有记录的飓风日时，AUC达到0.98。
简单的站点-月气候学基准在分类高降雨月份时准确率达88.4%，AUC为0.950。
仅使用日历特征的随机森林在随机划分下达到次日湿润日AUC 0.889，迁移到未来年份时AUC降至0.835，低于气候学基准的0.859。
在满足目标限值的迁移后，阈值会拒绝大部分正确检测；在降雨条件下，接收者操作特征曲线下面积（AUC）并未下降。
仅靠措辞文本区分要求项与非要求项的AUC为0.664，界定了不依赖格式线索时能达到的性能上限。
AUC衡量模型在所有同人/异人比对对中将同人对相似度排在异人对之前的概率，取值0–1，越接近1越好，与具体阈值无关。
VTF900研究表明小规模注册库下的高AUC并不能转化为部署规模下的可靠性能，基于百人级注册库得出的模型排名在900人规模下可能发生实质性重排。
还有 18 条时间轴事件
全部知识事实 (20)
AUC值域为0.5到1.0，0.5代表随机猜测、1.0代表完美预测，不受样本类别不平衡影响
75%已验证AUC是衡量二分类模型综合性能的核心指标，0.5代表随机猜测，1.0代表完美分类
75%已验证业界通用标准中，AUC > 0.9为优秀，0.8~0.9为良好，0.7~0.8为一般，0.5~0.7为较差，0.5等同于随机猜测
70%已验证AUC等于从所有正样本中随机抽取一个、从所有负样本中随机抽取一个，正样本的预测分数高于负样本预测分数的概率
70%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
70%已验证AUC可以通过梯形法则对ROC曲线下方面积进行数值积分得到，也可以通过Mann-Whitney U统计量等价计算
65%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
65%待验证识别过拟合的经典方法是比较训练集AUC和验证集AUC——如果训练集AUC接近1.0而验证集AUC明显偏低，就是过拟合的典型信号
90%待验证AUC（Area Under Curve）是衡量分类模型好坏最常用的指标之一
85%待验证利用正样本秩次之和快速计算AUC的算法时间复杂度为O(n log n)
60%待验证模型自身先验信号无法区分谎言与'同类事实的合法更新'，AUC仅为0.53，接近随机猜测。
50%待验证模型自身先验信号能够区分'关于已知事实的谎言'和'真实的新事实'，在三个模型上的AUC达到0.78-0.83。
50%待验证飓风指数在识别有记录的飓风日时，AUC达到0.98。
50%待验证仅使用日历特征的随机森林在随机划分下达到次日湿润日AUC 0.889，迁移到未来年份时AUC降至0.835，低于气候学基准的0.859。
50%待验证简单的站点-月气候学基准在分类高降雨月份时准确率达88.4%，AUC为0.950。
50%待验证在满足目标限值的迁移后，阈值会拒绝大部分正确检测；在降雨条件下，接收者操作特征曲线下面积（AUC）并未下降。
50%待验证仅靠措辞文本区分要求项与非要求项的AUC为0.664，界定了不依赖格式线索时能达到的性能上限。
50%待验证AUC衡量模型在所有同人/异人比对对中将同人对相似度排在异人对之前的概率，取值0–1，越接近1越好，与具体阈值无关。
50%待验证VTF900研究表明小规模注册库下的高AUC并不能转化为部署规模下的可靠性能，基于百人级注册库得出的模型排名在900人规模下可能发生实质性重排。
50%待验证AUC衡量的是排序能力，KS关注的是区分度，GINI与AUC线性相关。
50%