已修改

精确率、召回率、真正类率（TPR）、假正类率（FPR）ROC曲线

针对二分类问题。

精确率 = TP / (TP + FP)，表示返回的正例中真正例所占的比例；
召回率 = TP / (TP + FN)，表示返回的真正例占所有正例的比例。
真正类率（TPR），TPR = TP / (TP + FN)，返回的正类占所有正类的比例；（没错，跟召回率一个公式）TPR越大越好。
假正类率（FPR），FPR = FP / (FP + TN)，返回的负类占所有负类的比例。FPR越小越好
ROC curve:FPR越小越好。

对于ROC来说，横坐标就是FPR，而纵坐标就是TPR，因此可以想见，当 TPR越大，而FPR越小时，说明分类结果是较好的。

AUC:
AUC 即ROC曲线下的面积，计算方式即为ROC Curve的微积分值，其物理意义可以表示为：随机给定一正一负两个样本，将正样本排在负样本之前的概率，因此AUC越大，说明正样本越有可能被排在负样本之前，即分类的结果越好。

ROC的总结：

ROC 可以反映二分类器的总体分类性能，但是无法直接从图中识别出分类最好的阈值，事实上最好的阈值也是视具体的场景所定；
ROC Curve 对应的AUC越大说明分类性能越好;
ROC曲线一定是需要在 y = x之上的，否则就是一个不理想的分类器；