在机器学习中，我们可以使用ROC 曲线下的面积（通常缩写为AUC或 AUROC）来总结系统区分两个类别的能力。在信号检测理论中，通常$d'$（敏感度指数）用于类似目的。两者紧密相连，如果满足某些假设，我相信它们是相互等价的。

这$d'$计算通常基于假设信号分布的正态分布来呈现（例如，参见上面的维基百科链接）。ROC曲线计算没有做这个假设：它适用于任何输出可以阈值化的连续值决策标准的分类器。

维基百科说$d'$相当于$2 \text{AUC} - 1$. 如果两者的假设都满足，这似乎是正确的；但如果假设不一样，那就不是普遍真理。

将假设的差异描述为“AUC 对基础分布的假设较少”是否公平？或者是$d'$实际上与 AUC 一样广泛适用，但这只是人们使用的常见做法$d'$倾向于使用假设正态分布的计算？我错过的基本假设还有其他差异吗？