ROC和RUC
学习器为测试样本产生一个实值或概率预测，然后将这个预测值与一个分类阈值进行比较，若大于阈值则分为正类，否则分为反类；
ROC（受试者工作特征 横轴-真正例率（TPR） 纵轴-假正例率（FPR））
TPR=TP/(TP+FN) FPR=FP/(TN + FP);
绘图过程：
给定m+个正例和m-个反例，根据学习器的预测结果对样例进行排序，然后把分类阈值设为最大，即把所有样例均预测为反例；
若为真正例，则上移1/m+单位；
若为假正例，则右移1/m-单位。
这样恰恰说明了为什么横轴就表示FPR，纵轴就表示TPR。
经过(m+ add m-)次的猜测，就得到从(0,0)到(1,1)的折线ROC。
对每个点作关于x,y轴的直线，将该区域分成 m+ mulpitly m- 块小矩形。
在ROC曲线之下的面积是AUC（Area Under ROC Curve）
经过(m+ add m-)次的猜测，就得到从(0,0)到(1,1)的折线ROC。
对每个点作关于x,y轴的直线，将该区域分成 m+ mulpitly m- 块小矩形。
，
思考：对于不同的排序而言会产生灰色区域的误差；因此需要考虑f（x+）=f（x-）的误差；
ROC曲线上方的面积等于m-块底为1/m-,高为1/m+ multiple (剩余的正例数目)，并考虑排序带来的影响
故 得到书上的损失公式。