AUC理解

• True Negative(真正)：将正类预测为正类数.
• False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (TypeI error).
• Ture Negative(真负 , TN)：将负类预测为负类数.
• False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error)

Precision:TP/(TP+FP) 预测为正类中，预测为正确的概率

Recall: TP/(TP+FN) 实际为正类中，预测为正类的概率

Accuracy:（TP+TN)/(TP+FP+TN+FN) 预测类别正确的概率

ROC曲线

    TPrate = TP/(TP+FN)

    FPrate = FP/(FP+TN)

    ROC曲线，以FPrate为横坐标，TPrate为纵坐标，画出的曲线图。

    AUC即ROC曲线之下的面积。等于0.5表示等于随机预测的结果。

    AUC的意义是衡量 分类器 将正样本预测为正的 概率 大于 将负样本预测为正的概率 的可能性。

    另一个概率学的意义是：随机选取一个正例和一个负例，分类器给正例的打分大于分类器给负例的打分的概率。