ROC 曲线和 AUC 值

	P	N	合计
T	TP	FN	P
F	FP	TN	N
合计	P’	N’	P+ N

混淆矩阵的四个术语：真正例 / 真阳性（TP），真负例 / 真阴性（TN），假正例 / 假阳性（FP）、假负例 / 假阴性（FN）。

2、分类器涉及的常见评估度量：

度量	公式
准确率	（TP+TN）/（P+N）
错误率	（FP+FN）/（P+N）
真正例率 / 召回率 / 查全率	TP / (TP+FN）
真负例率	TN / N
查准率 / 精度	TP / P’ = TP / (TP+FP）
假正例率	FP / N = FP / (FP+TN）
F1 分数	2*（查准率查全率）/ （查准率+查全率）=2TP /(P+N+TP-TN)

3、ROC 曲线

横轴：假正例率 FPR=FP / N = FP / (FP+TN）

纵轴：真正例率 TPR=TP / (TP+FN）

1)、概率分类器对10个测试样本返回的预测概率值的排序表

ROC 曲线之下的那部分面积值就是模型的 AUC 值。

如果模型真的很好，随着有序列表向下移动，开始会遇到真正例样本，曲线将陡峭的从 0 开始上升；之后 ，遇到的真正例样本越来越少，假正例样本越来越多，曲线变得平缓趋于水品。

参考链接１
参考链接二