Understanding ROC, AUC, and F1 Score Metrics

Context in a Confusion Matrix

In classification tasks, results are often summarized in a confusion matrix:

	Predicted Positive	Predicted Negative
Actual Positive	True Positive (TP)	False Negative (FN)
Actual Negative	False Positive (FP)	True Negative (TN)

 注：末尾的字母是机器的预测值（即列），首字母是对预测值的判断（即行）

1. ROC Curve (Receiver Operating Characteristic Curve)

The ROC curve is created by plotting:

• True Positive Rate (TPR) on the y-axis.

• False Positive Rate (FPR) on the x-axis.

Formulas:

注：这两个尺度是以模型所有的Postive预测为基准，测量模型，再详细点就是，当模型预测postive为正确时，当模型预测postive为错误时（表格第一列的两种情况）。TPR分母都是事实上的Positive，FPR分母都是事实上的Negative（即表格两行分别的和）。

 

 注：Recall 和 FPR是同一个东西