机器学习性能指标（ROC、AUC、）

混淆矩阵

1. TP(真正样本数): 预测是正样本(positive)，预测正确(ture)的个数，即实际是正样本预测成正样本的样本数
2. FN(假负样本数)
3. TN(真负样本数)
4. FP(假正样本数)

ROC

1. 横轴：FPR(负正样本率)=FP/(FP+TN) 即，预测错的原本负样本占总体负样本的比例
2. 纵轴：TPR(真正样本率)=TP/(TP+FN) 即，预测对的原本正样本占总体正样本的比例

横轴越小越好，纵轴越大越好，即，ROC曲线在斜对角线以下，则表示该分类器效果差于随机分类器，反之，效果好于随机分类器，当然，我们希望ROC曲线尽量除于斜对角线以上，也就是向左上角（0,1）凸。

AUC

ROC下的面积，即，AUC量化了ROC曲线的分类能力，越大分类效果越好，输出概率越合理

• AUC ＝ 1，代表完美分类器
• 0.5 < AUC < 1，优于随机分类器
• 0 < AUC < 0.5，差于随机分类器