各种matrics（ROC AUC）

Confusion matrices: 通过matrix列举出所有预测的结果(分错的和分对的的数量)https://blog.csdn.net/vesper305/article/details/44927047
ROC:https://zhuanlan.zhihu.com/p/25982866
roc就是TPRvsFPR
TPR是TP/(TP+FN)，也叫做召回率(recall rate)，代表的是所有的病患中被检测出患病的比例
FPR是FP/(FP+TN)，代表的是所有没患病的人中被检测出患病的比率
例：红球=患病，白球=没患病
则TPR是红球中检测为红球的概率，FPR是白球被检测为红球的概率
ROC的曲线是基于判定阈值(decision threshold)的变化画出来的
例如:一个球50%以上颜色是红色时我就判定其为红球，反之为白球。
这个50%就是判定阈值。当判定阈值上升时(60%,70%...)，正确被分类的红球数量就会减少，也即TPR降低，而错误被分类为红球的白球数量也会下降，也即FPR下降。
取极限值，当阈值非常高，TPR=0,FPR=0 (所有都是白球)
当阈值非常低，TPR=1,FPR=1(所有都是红球)
在中间的情况时，我们总是希望TPR比FPR高的(否则的话直接把红球白球互换就可以达到更好的分类效果)
AUC:就是ROC曲线下的面积，代表的是在模型中随机一个红球比随机一个白球更像红球的概率