排序指标解读-GAUC
前情回顾
在了解有趣的gauc之前，如果对auc还不太了解，可以先看看这篇文章AUC
一、GAUC的起源
给大家举个例子，假设你现在训练了一个模型K，你用这个模型来预测中午吃什么？
此时有两个顾客，小明和小白
刀削面(正) | 担担面 （正） | 晋糕 （负） | |
小明 | 0.4 | 0.2 | 0.1 |
小白 | 0.5 | 0.3 |
ok，以上的食物都很好吃啊，只是举个例子。
那么此时就可以计算模型K的AUC = (2+2+1)/6 = 0.83, 感觉一般，但是对小明来说
小明的auc = 1+1/2 = 1
小白的auc = 1/1*1 = 1
auc的具体计算逻辑，可以参考前情回顾哈，这里简单说一下，分子就是有多少正样本预测的概率值大于负样本的预测概率值，分母是正负样本的组合。
到此刻，大家是不是有点感觉了，我计算整个模型K的针对于所有的样本来说，它的auc好像并不高，感觉模型好像训练的并不是很优秀，但是分别针对于小明和小白，auc都是满分💯。换句话说，这个模型其实预测的很好。
二、GAUC总结和应用场景
其实auc是整体的一个评价值，就是常规的二分类问题，就用auc来评价是没问题的。
但是当是推荐场景的时候，就需要思考一下了，考虑什么呢？需要考虑的是不同用户了。
我希望你整体的样本auc都很好，同时我也希望推荐给每个用户的也很好，这就是gauc。
gauc其实就是针对不同用户的auc的值的一个加权平均。
举个例子，推荐午饭为例，系统给小明和小白推荐午饭吃什么，刀削面推不推？担担面要不要推？晋糕要不要推？整体的auc显示，好像并不是很准确的样子，只有0.83。但是小明感觉，推的很准，auc是1，小白感觉也是，推的很准，auc也是1，所以模型是准确的。这个情况下，我们需要更细粒度的考虑的时候，需要参考gauc这一指标
上一篇：JDBC教程上篇