其实指数C-index和AUC是差不多的，针对二分类 lo_go_is_tic 回归的 C-in_dex 等价于 ROC 曲线下面积AUC。C-index，英文名全称concordance index，中文里有人翻译成一致性指数，最早是由
范德堡大学（Vanderbilt University）生物统计教教授Frank E Harrell Jr 1996年提出，主要用于计算生存分析中的COX模型预测值与真实之间的区分度（discrimination），AUC 主要反映二分类 lo_gis_tic
回归模型的预测能力，但 C-in_dex 可以评价各种模型预测结果的准确性，可以简单这样理解：C-in_dex 是 AUC 的扩展，AUC 是 C-in_dex 的一种特殊情况。
拓展资料：
1、一般评价模型的好坏主要有两个方面，一是模型的
拟合优度（Goodness of Fit)，常见的评价指标主要有R方、-2logL、AIC、BIC等；另外一个是模型的预测精度，顾名思义就是模型的真实值与预测值之间差别大小，
均方误差，相对误差等。在临床应用上更注重预测精度，建模的主要目的是用于预测，而C-index它就属于模型评价指标中的预测精度。
2、C-in_dex 是一个可以用于判断各种模型区分能力的指标。针对二分类 lo_gis_tic 回归模型，C-in_dex 可简化为：某疾病病人的预测患病概率大于对照的预测患病概率的可能性。C-index在0.5-1之间（任意配对随机情况下一致与不一致刚好是0.5的概率）。0.5为完全不一致，说明该模型没有预测作用，1为完全一致，说明该模型预测结果与实际完全一致。一般情况下C-index在0.50-0.70为
准确度较低：在0.71-0.90之间为准确度中等；而高于0.90则为高准确度。
3、AUC指标是临床研究中最常用的评价指标，其有数主要体现为：
(1)对样本是否均衡并不敏感，允许实际阳性、阴性个案数差距较大。
(2) 不需要提前设定阈值，而是通过遍历阈值的方式来达到整体的评估效果。
定义AUC值为
ROC曲线右下方几何面积，取值范围为0到1，在实际建模过程中，根据AUC值所处范围可大致判断模型的泛化能力强弱：一般情况下AUC在0.50-0.70为准确度较低；在0.71-0.90之间为准确度中等；而高于0.90则为高准确度。