在IJCAI 於2015年舉辦的競賽：
Repeat Buyers Prediction Competition 中，
很多參賽隊伍在最終的Slides展示中都表示使用了
AUC 作為評估指標：
那么，AUC是什么呢？
AUC是一個機器學習性能度量指標，只能用於二分類模型的評價。（拓展二分類模型的其他評價指標：logloss、accuracy、precision）
對於二分類問題，可將樣例根據其真實類別與學習器預測類別的組合划分為真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四種情形，令 TP、FP、TN、FN分別表示其對應的樣例數，則顯然有 TP+FP+TN+FN=樣例總數。
分類結果的“混淆矩陣”（confusion matrix）如下表所示：
AUC全稱：Area under ROC curve
AUC的物理意義為任取一對例和負例，正例得分大於負例得分的概率，AUC越大，表明方法效果越好。
ROC全稱為“受試者工作特征”（Receiver Operating Characteristic ）曲線，源於二戰中用於敵機檢測的雷達信號分析技術。根據學習器的預測結果對樣例進行排序，按此順序逐個把樣本作為正例進行預測，每次計算出兩個重要量的值，分別以它們為橫、縱坐標作圖，就得到了“ROC”曲線，縱軸是“真正例率”（True Positive Rate，TPR），橫軸是“假正例率”（False Positive Rate，FPR）：
IJCAI-15比賽相關：
IJCAI-15 Dataset 數據集來自天貓（
阿里雲天池）。
論文名稱：Identifying Repeat Buyers by Ensemble Learning with Historical Behavioral Features
作者：Shaohua jiang, Yunlei Mu, Qingyu Fan
會議期刊：IJCAI workshop
【Reference】
1. 周志華.機器學習[M].北京：清華大學出版社，2016.