从评论：

Calimo：如果你是一名交易员，并且在预测未来的金融交易时可以得到 0.501 的 AUC，那么你就是世界上最富有的人。如果您是一名 CPU 工程师，并且您的设计在判断某个位是 0 还是 1 时获得了 0.999 的 AUC，那么您就有了一块无用的硅片。

这是对安德烈的回答 (+1) 的补充。

在寻找关于 AUC-ROC 值的普遍接受的参考时，我遇到了 Hosmer 的“应用逻辑回归”。在章。5 “评估模型的拟合度”，强调“没有‘神奇’的数字，只有一般的指导方针”。其中，给出了以下值：

• ROC = 0.5 这表明没有歧视，(...)。
• 0.5 < ROC < 0.7 我们认为这种歧视很差，(...)。
• 0.7$\leq$ROC < 0.8 我们认为这是可以接受的歧视。
• 0.8$\leq$ROC < 0.9 我们认为这是极好的辨别力。
• 鹏$\geq$0.9 我们认为这种明显的歧视。

这些值绝不是一成不变的，它们是在没有任何上下文的情况下给出的。正如《星际迷航》告诉我们的：“普遍法则是为走狗准备的，上下文是为国王准备的”，即（更严肃地说）我们需要了解我们正在做出特定决定以及我们的指标反映了什么。我的指导方针是：

1. 对于任何新任务，我们都应该积极地查看现有文献，看看什么是竞争表现。（例如从 X 射线图像中检测肺癌） 这实际上是一篇文献综述。
2. 如果我们的任务没有出现在文献中，我们应该致力于提供对合理基线模型的改进。该基线模型可能是一些简单的经验法则、其他现有解决方案和/或人工评估者提供的预测。
3. 如果我们的任务没有现有文献并且没有可用的简单基线模型，我们应该停止尝试进行“更好/更差”的模型性能比较。此时，说“ AUC-R0C 0.75 不好”还是“ AUC-ROC 0.75 好”是见仁见智的问题。

不能说，因为这真的取决于任务和数据。对于一些简单的任务，AUC 可以是 90+，对于其他的 ~0.5-0.6。

一般来说，我不会这么说。这完全取决于任务、您的数据集和目标。没有经验法则将 xx 的 AUC 值定义为良好的预测模型。

话虽如此，您希望获得尽可能高的 AUC 值。在 AUC 为 1 的情况下，您的模型本质上是您结果的完美预测器。在 0.5 的情况下，您的模型并不真正有价值。AUC 为 0.5 仅意味着模型只是随机预测结果，并不比猴子做得更好（理论上）。如果您还没有，我只能建议您阅读更多有关它的信息。这真的很简单。而且，在这里。