模型训练与测试 -----AUC和ROC的区分

很多的笔试都会提到这个，对于深度学习来说，优化器非常重要，然后就是损失函数如何写也非常重要，但是还有一个更加重要的就是我们的评测标准，好的评测标准才可以更好的去衡量我们的模型。比如我实习的时候就需要根据业务需求，写一个符合业务需求的测试标准。

AUC和ROC的标准

ROC曲线：

横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)

纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)

2针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.

(1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)

(2)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN)

(3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)

(4)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN)

TP:正确的肯定数目

FN:漏报，没有找到正确匹配的数目

FP:误报，没有的匹配不正确

TN:正确拒绝的非匹配数目

左上角肯定是最好的，说明预测这一类的时候ÿ