---
title: "ROC 曲線下面積（Area Under the ROC Curve）"
slug: area-under-the-roc-curve
language: zh-TW
source: https://aiterms.tw/terms/area-under-the-roc-curve
updated_at: 2026-04-29
tags: [模型評估, 機器學習, 統計方法]
ipas_term: false
---

# ROC 曲線下面積（Area Under the ROC Curve）

> **兩個分類模型都說自己很準，怎麼知道誰比較會分正負樣本？**
> 你可以把 ROC 曲線下面積想成模型的排序能力分數，它看的是整體區分力。
> 它不只看一個門檻，而是把不同門檻下的表現都考慮進去。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **AUC vs 準確率？**
> AUC：看模型把正例排在負例前面的能力
> 準確率：看某個固定門檻下答對多少
> 最關鍵的區別：AUC 看整體排序，準確率看單一門檻
>
> **AUC vs 精確率？**
> AUC：不直接受正負樣本比例影響太大
> 精確率：很受正例比例影響
> 最關鍵的區別：AUC 適合樣本不平衡時比較模型整體區分力
>
> **AUC vs ROC 曲線？**
> AUC：重點是曲線面積
> ROC 曲線：重點是不同門檻下的 TPR 與 FPR
> 最關鍵的區別：ROC 是圖，AUC 是把圖摘要成一個數字
### 記住這句就好

> AUC 越高，代表模型把正例排前面的能力越強
### 實際案例

> **醫療篩檢**
> 醫師想先把高風險病人排前面，AUC 高的模型通常比較能把真正陽性者往前排
>
> **詐欺偵測**
> 交易量很大、正例很少時，AUC 能幫你比較模型是不是有把可疑交易排到前面
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | 橫軸 | 假陽性率 FPR | 代表誤把負例判成正例的比例 |
> | 縱軸 | 真正率 TPR | 代表正例被抓到的比例 |
> | 數值 | 曲線下面積 0 到 1 | 越接近 1 越好，0.5 近似隨機 |
### 情境判斷

> **Q1：AUC 0.92 的模型和 AUC 0.81 的模型相比，通常哪個整體區分力較好？**
> → 0.92 的模型通常較好，因為它在各種門檻下更常把正例排前面
>
> **Q2：如果你的業務只在意某個很高的召回率區間，AUC 還是唯一指標嗎？**
> → 不是，這時還要看特定門檻下的召回率、精確率和成本，AUC 只能當總覽
### 常見問題

> **Q：AUC 1.0 代表模型絕對完美嗎？**
> 在測試資料上代表它能完全排序，但真實世界仍可能因資料漂移、標註問題而失準。
>
> **Q：AUC 0.5 是不是沒用？**
> 通常表示接近隨機猜測，但也要先確認標籤是否正確、特徵是否真的有資訊。
>
> **Q：多分類也能用 AUC 嗎？**
> 可以，常見做法是 One-vs-Rest 或 One-vs-One，先把多分類拆成多個二元比較。
### 相關術語

> - **ROC 曲線**：AUC 直接建立在 ROC 曲線上
> - **精確率**：看前幾名預測有多少是真的
> - **召回率**：看真正例有多少被抓到

---

來源：https://aiterms.tw/terms/area-under-the-roc-curve
快查頁：https://aiterms.tw/terms/area-under-the-roc-curve
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-area-under-the-roc-curve