虽然这两个统计量度可能是相关的，但它们测量了分类器的不同质量。

奥罗克

曲线下面积（AUC）等于分类器将随机选择的正例排名高于随机选择的负例的概率。它衡量分类器根据它们属于正类的程度对一组模式进行排序的技能，但没有实际将模式分配给类。

总体准确度还取决于分类器对模式进行排序的能力，还取决于它在排序中选择阈值的能力，如果高于阈值则将模式分配给正类，如果低于阈值则分配给负类。

因此，具有较高 AUROC 统计量（所有条件相同）的分类器也可能具有更高的整体准确度，因为模式的排名（AUROC 测量的）对 AUROC 和整体准确度都有好处。但是，如果一个分类器对模式进行了很好的排序，但选择的阈值很差，它可能具有较高的 AUROC，但总体准确度较差。

实际使用

在实践中，我喜欢收集总体准确度、AUROC 以及分类器是否估计类成员的概率、交叉熵或预测信息。然后我有一个衡量其执行硬分类的原始能力的指标（假设假阳性和假阴性错误分类成本相等，并且样本中的类频率与操作使用中的类频率相同 - 一个很大的假设！），衡量模式排名能力的指标和衡量排名作为概率校准的程度的指标。

对于许多任务，操作错误分类成本是未知的或可变的，或者操作类别频率与训练样本中的频率不同或可变。在这种情况下，整体准确度通常毫无意义，而 AUROC 是更好的性能指标，理想情况下，我们需要一个输出经过良好校准的概率的分类器，以便我们可以在操作使用中补偿这些问题。本质上，哪个指标重要取决于我们试图解决的问题。

AUC（基于 ROC）和整体准确率似乎不是同一个概念。

总体准确度基于一个特定的切点，而 ROC 会尝试所有切点并绘制灵敏度和特异性图。因此，当我们比较整体准确度时，我们是在比较基于某个切点的准确度。整体精度因不同的切点而异。

AUC 真的是非常有用的指标吗？

我会说预期成本是更合适的衡量标准。

然后，所有 False Positives 的成本为 A，所有 False Negatives 的成本为 B。其他类别可能很容易比其他类别更昂贵。当然，如果您在各个子组中存在错误分类的成本，那么它将是更强大的指标。

通过在 x 轴上绘制分界点，然后在 y 轴上绘制预期成本，您可以看到哪个分界点使预期成本最小化。

正式地，您有一个损失函数 Loss(cut-off|data,cost) ，您尝试将其最小化。

就像所有答案都已发布：ROC并且accuracy从根本上说是两个不同的概念。

一般来说，ROC描述一个分类器的判别能力，独立于类分布和不等的预测错误成本（假阳性和假阴性成本）。

度量 likeaccuracy是根据test datasetor的类分布计算的cross-validation，但是当您将分类器应用于现实生活数据时，此比率可能会发生变化，因为基础类分布已更改或未知。另一方面，TP rate用于FP rate构造AUC的不会受到类分布移位的影响。