在机器学习中AUC和accuracy有什么内在关系？

以Binary Classification为例。

首先，AUC对应的不是一个accuracy，而是一系列accuracy。AUC是ROC的"线下面积"，而ROC是以FPR-TPR为坐标的一条线，实际上是连接一系列散点的一条折线。这条折线上的每一个点，对应了一个threshold，以及由这个threshold确定的预测值及其accuracy、precision、recall等等的度量。

所以说，AUC衡量的是一个模型的好坏，是它给所有sample排序的合理程度（是不是正确地把负例排在了正例的前面）；而accuracy衡量的是一个模型在一个特定threshold（比如，logistic regression模型在阈值1/2）下的预测准确度（是不是正确地把负例排在了阈值之前，正例排在了阈值之后）。

因此，AUC高而accuracy低或者accuracy高AUC低的情况有没有可能？有。一个模型定了，它的AUC就定了。但我可以取一个threshold，使得它的accuracy尽量低或者尽量高（有上限和下限）。