整理下一些常用的评估模型的指标
1 AUC
AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。
1.1 什么是ROC
这就是一个ROC曲线，其中横轴是FPR，纵轴是TPR。那么就引入了什么是FPR和TPR？
1.2 什么是FPR TPR FNR TNR
如上图所示，因为这是基于二分类进行的，所以其实，AUC只能用在二分类中。
1）伪阳性率（False Positive Rate,FPR）：判定为正例却不是真正例的概率，即真负例中判为正例的概率,
2）真阳性率（True Positive Rate,TPR）：判定为正例也是真正例的概率，即真正例中判为正例的概率（也即正例召回率）
3）伪阴性率（False Negative Rate,FNR）：判定为负例却不是真负例的概率，即真正例中判为负例的概率。
4）真阴性率（True Negative Rate,TNR）：判定为负例也是真负例的概率，即真负例中判为负例的概率。
1.3 怎么计算AUC
在一个二分类模型中，
- 对于所得到的连续结果，
- 假设已确定一个阀值，比如说 0.6，大于这个值的实例划归为正类，小于这个值则划到负类中。
- 如果减小阀值，减到0.5，固然能识别出更多的正类，也就是提高了识别出的正例占所有正例 的比类，即TPR,但同时也将更多的负实例当作了正实例，即提高了FPR。
ROC曲线上的每一个点对应于一个threshold，对于一个分类器，每个threshold下会有一个TPR和FPR。比如Threshold最大时，TP=FP=0，对应于原点；Threshold最小时，TN=FN=0，对应于右上角的点(1,1)
第一种计算方法也是淘汰的方法：计算ROC曲线下的面积，可以近似计算ROC曲线一个个小梯形的面积。参考这篇博文
还有2种方法，可以降低代码的复杂度