关于混淆矩阵和ROC的一些东西

        混淆矩阵，是机器学习和深度学习中对模型结果的分析表。

TP:true positive,真实是positive,模型预测结果也是positive。

FP:false positive,真实是negative,模型预测结果是positive,也被称为统计学上第一类错误。

FN:false negative,真实是positive，模型预测结果是negative，也被称为统计学上第二类错误。

TN:true negative，真实是negative，模型预测也是negative。

这四个值就是混淆矩阵的基础构成，也由此衍生出一系列评判指标：

        查准率，精确度： ,precision,也就是预测为正的样本中真实也为正的比例。

        召回率：，recall，也就是真实正样本中被预测为正的比例。

        真正率，灵敏度：，可以发现其实和召回率的公式是一样.

        假正率：1-特异度，,真实为负的样本中被预测为正的比例。

        F值：，判断精确度和召回率之间的权衡

通过遍历所有阈值，TPR和FPR所绘制成的曲线就叫ROC曲线，其中FPR为横坐标，TPR为纵坐标，如下图所示。

        那如何判断ROC曲线的好坏呢，即怎么通过ROC曲线判断出模型的优劣？
        需要通过另一个指标AUC：ROC曲线下方包含的面积，越大说明模型越好。

        AUC评判标准：

        0.5：随机判断的结果

        0.5 - 0.7：效果较低

        0.7 - 0.85：效果一般

        0.85 - 0.95：效果很好

        0.95 - 1：效果非常好，但一般不太可能