一些评价指标记录（AUROC、AUPR）

AUROC

全称：Area Under the Receiver Operating Characteristic Curve

        它是一种用于评估二分类模型性能的统计量，特别是在机器学习和数据挖掘领域。它展示了在不同阈值设置下，分类器的真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系。真正例率是指模型正确预测为正例的比例，而假正例率是指模型错误预测为正例的比例。AUROC值的范围从0到1，值越高表示模型的分类性能越好。一个完美的分类器的AUROC值为1，而一个随机猜测的分类器的AUROC值接近0.5。AUROC值的一个优点是它不依赖于分类阈值的选择，因此可以用来比较不同模型的性能，即使它们的输出概率分布不同。

AUPR

全称：Area Under the Precision-Recall Curve

        精确率-召回率曲线下的面积。这个指标用来衡量分类模型在不同阈值下的表现，特别是在正负样本不平衡的情况下。在二分类问题中，我们通常可以得到一个概率值或打分值，该值表示一条数据属于正类的概率大小。为了得到分类结果，我们需要设置一个阈值，当数据的预测概率大于该阈值时，我们将其归类为正类，否则归类为负类。在这个阈值的选择上，往往会影响到模型的精确率（Precision）和召回率（Recall）。

        精确率（Precision）是指在所有被预测为正类的样本中，实际为正类的比例，它关注的是预测为正类的准确性。召回率（Recall）是指在所有实际为正类的样本中，被正确预测为正类的比例，它关注的是对正类样本的覆盖程度。  

AUPR是通过以下步骤计算的：

1. 对于不同的分类阈值，计算模型的精确率和召回率。
2. 将这些精确率和召回率值绘制在二维坐标系中，召回率作为横轴（x轴），精确率作为纵轴（y轴）。
3. 通过这些点绘制出一个曲线，即精确率-召回率曲线（PR曲线）。
4. 计算这个曲线下的面积，即为AUPR值。

AUPR值越高，表示模型在精确率和召回率之间取得了更好的平衡，尤其是在正样本较少的情况下，AUPR是一个比AUROC（Area Under the ROC Curve）更敏感的性能指标。