简单理解ROC，AUC

前言

初入人工智能行业，还在学习阶段，简单谈谈自己对ROC，AUC的理解，便于自己的以后的学习之路。第一次写博客，理解较浅，如有错误的地方，请指出

一、ROC

1.混淆矩阵
（1）TP（True Postive）:预测为正例，实际也为正例，判对。
（2）FN（False Negative）：预测为负例，实际为正例，判错。
（3）FP（False Postive）：预测为正例，实际为负例，判错。
（4）TN（True Negative）：预测为负例，实际也为负例，判对。
混淆矩阵如下，1代表正例，0代表负例

2.ROC曲线
ROC（receiveroperating characteristic）:受试者工作特征
(1) TPR(True Postive Rate): TP / (TP+FN)，代表分类器预测的正类中实际正实例占所有正实例的比例。
(2) FPR(False Postive Rate): FP / (FP+TN)，代表分类器预测的正类中实际负实例占所有负实例的比例。
(3) TNR(Tru