评估指标

1、AUC

全称是Area under the Curve of ROC，ROC曲线下方的面积，常用来评价一个二分类模型的训练效果。

   ROC曲线：

　　　二元分类模型的单个样本预测有四种结果，混淆矩阵：

　　　　　　

　　　　基于以上混淆矩阵，ROC曲线定义为 假阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。

　　　　　　TPR：在所有实际为阳性的样本中，被正确地判断为阳性的样本比率。

　　　　　　FPR：在所有实际为阴性的样本中，被错误地判断为阳性的样本比率。

　　　　　　TPR = TP / (TP + FN)

　　　　　　FPR = FP / (FP + TN)

 　　　　　 要求/输入： 测试数据的label和 预置类别的概率（0和1的分别概率）

 　　　　　综上：AUC值越大（面积越大），证明效果越好； AUC指标保证精确率和检出率综合效果好；从图上曲线上分析，对横坐标假阳性在0-1范围内，真阳性都保持值大，AUC值越大，效果越好； 通俗讲，即 假的在被检出为真假全范围内，真的都被检测为真的越多，AUC值越大