对于二分类问题
可以用混淆矩阵来评价
而更重要的就是ROC
首先介绍几个定义：
TP rate：就是正类的召回率，正确判断为正类/所有的正类，TP/TP+FN，就是recall
TN rate：就是负类的召回率，正确判断为负类/所有的负类，TN/TN+FP
那么：
FP rate：就是负类的未召回率，FP/TN+FP，和TN rate相加是1
同样：
针对TP rate也有正类的未召回率，这里不做考虑
ROC是在表示这么一个事情：
我们在识别出正类的同时，也把负类当成了正类
我们要想识别更多的正类，就会把更多的负类当成正类
前者是收获，后者是代价
前者就是TPR，后者就是FPR
ROC是在表示他们之间的关系，如果一个二分类器，我们拟合了他的条件概率
这时我们需要一个阈值来决定归为哪一类
如果阈值增加，则我们把更少的类归为正类，那么收获TPR肯定下降，但是代价FPR也会下降
同理，阈值减少，我们把更多的类归为负类，那么收获TPR就会上升，但是代价FPR也会上升
我们想要拥有一个分类器：
代价小，收获高，就是图中的绿色
代价高，收获小，就是图中的紫色
图上的每个点都对应一个阈值，横竖坐标代表：在此阈值下的代价和收获的关系
那么什么是AUC呢
就是ROC与x轴围成的面积，很显然越大越好