分类算法的评估方法(ROC曲线和AUC指标)

ROC曲线和AUC指标
    1.ROC曲线：
        以FRP为横坐标、以TRP为纵坐标作的曲线。
        FRP：相当于召回率，就是在真实正例样本中，预测值为正例的个数所占的比例。
        TPR：相当于在真实反例样本中，预测值为正例的个数所占的比例
    2.AUC指标：
        AUC指标和ROC曲线有一定的关系，AUC的就是ROC曲线和X轴相交时的距离。
        1.当AUC=0.5时，这说明，分类器是一个随机分类，是不负责任的分类器。分类效果非常差。
        2.当AUC=1.0时，这说明，分类器是一个完美的分类器。分类效果极好。
        3.当0.5<AUC<1.0时，越接近0.5，分类效果越查，越接近1.0时，分类效果越好。
ROC曲线和AUC指标适用的场景：
    当样本指标存在样本不均衡时，会使得精确率、召回率和F1-score的值都非常大。这时，采用ROC曲线和AUC指标进行判断，如果值也比较大，那么恰恰说明，这个分类器是非常好的分类器。但是，如果采用ROC曲线和AUC指标得到的结果非常差的话，这就说明，样本很不均衡，同时分类器是一个非常不负责任的分类器。而且注意的是，ROC曲线和AUC指标只适用于二分类问题。
ROC曲线和AUC指标对应的API
    1. ROC曲线fpr, tpr, thresholds = sklearn.metrics.roc_curve(y_true, y_score)
        y_true: 真实值，相当于y_test，但是只