AUC和准确率谁重要？

简单来说，没有绝对谁更重要，关键看你的业务场景。

• 准确率：就是所有预测中，猜对的比例。比如100个样本，猜对了90个，准确率90%。它很好理解，但有个致命弱点：数据不平衡时会骗人。比如99个是“正常”，1个是“异常”，你全部预测为“正常”，准确率高达99%，但实际上一个异常都没发现，模型完全没用。

• AUC：衡量的是模型把“正类”排到“负类”前面的能力。它不依赖具体阈值，更能反映模型的排序好坏。比如银行要检测欺诈交易，正样本（欺诈）很少，AUC就能告诉你模型是否能有效把“可疑交易”排在前面，哪怕准确率不高。

怎么选？

• 如果你的数据类别平衡（比如男女各半），且错误代价差不多，准确率就够了。
• 如果你的数据严重不平衡（比如欺诈、罕见病、广告点击），或者你更关心把好东西排前面（比如推荐系统、风险排序），那AUC更重要。

举个生活中的例子：垃圾邮件检测。假设1000封邮件里只有10封是垃圾（不平衡）。如果你把所有邮件都标为“正常”，准确率99%，但你收件箱会堆满垃圾。此时AUC更能反映模型有没有能力把垃圾邮件排前面，帮助正确拦截。所以，做垃圾邮件检测，多关心AUC；做手写数字识别（各类别数量相近），准确率就挺实用。