在计算AUC时，可能会遇到以下几个常见问题：
1.数据不平衡问题
当数据集中某一类的样本数量远超于其他样本的时候，模型自然会有一种倾向使得分类结果偏向于该类样本，这是概率统计中先验的性质。在这种情况下，AUC可能不再是有效的评估指标。为了解决这个问题，可以通过采样的方式，手动的平衡不同类别的样本的数量，主要的手法有欠采样和重采样。
2.AUC值的物理意义
AUC的物理意义为：“任意抽取一个正样本和一个负样本，正样本的预测score大于负样本的预测score”的概率值。具体的计算公式为：M是正样本的个数，N是副样本的个数，对所有的预测样本的score进行从小到大的排序，然后从1进行标号。原始样本模型打分（0.8,
0.5,
0.6,
0.3,
0.4），得到auc
=
(1
*
2
+
0.5
*
1
+
0
*
2
+
0
*
1
+
0.5
*
1)
/
(2
*
5)
=
0.5。
3.AUC计算的等价性
AUC的计算方法有很多种，其中包括基于ROC曲线下的面积的计算，以及基于随机抽取正负样本的概率的计算。这两种计算方法实际上是等价的。
4.AUC与Accuracy的关系
在模型训练过程中，有时候会发现Loss下降，但accuracy（或auc）不升的情况。这是因为Accuracy和AUC计算方式不同，Accuracy只关心预测正确，而不关心正确的程度，而AUC考虑了预测的正确程度。所以会出现预测正确的数量不变，但是正确的置信度越来越高了的情况。
以上就是在计算AUC时可能会遇到的一些常见问题及其解决方案。
