ROC（receiver operating characteristic curve）
受試者工作特徵曲線，下圖
此圖引入了假正率，和真正率。（感覺在讀紅樓夢）
TPR ：True Positive Rate（真正率 , TPR）或靈敏度（sensitivity）（就是前文的召回率R）
TPR = TP /（TP + FN） 正樣本預測結果數 / 正樣本實際數
TNR ：True Negative Rate（真負率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP） 負樣本預測結果數 / 負樣本實際數
FPR ：False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN） 被預測爲正的負樣本結果數 /負樣本實際數
FNR ：False Negative Rate（假負率 , FNR）
FNR = FN /（TP + FN） 被預測爲負的正樣本結果數 / 正樣本實際數
理想目標：TPR=1，FPR=0,即圖中(0,1)點，此時FPR=0，TPR=1，既所有正樣本都被分到正類裏，負樣本被分到負類裏。反之，，(1,0)，即FPR=1，TPR=0，類似地分析可以發現這是一個最糟糕的分類器，因爲它與所有的正確答案相反。
也就是說，ROC圖越向左上角偏，模型效果越好。
AUC
AUC（Area Under Curve）就是ROC去曲線下的面積，既對ROC曲線做積分。面積越大，認爲模型越好。AUC與AP(average precision)是同一回事，AP常在圖像處理中出現。
PRC(precision recall curve)
一般來說，上面的比下面的好（綠線比紅線好）。也就是說，曲線越向右上角偏，效果越好。
總結：
1般來說ROC，PRC，AUC這三個量會同時考查。其中，ROC裏的TPR既PRC裏的Recall，這種聯繫會帶來其他優點，見下文。
2對於兩種曲線來說，越光滑肯定模型越好，本質上是閾值設置的合理。
現在問題來了，到底ROC和PRC哪個曲線更優質。顯然是PRC，因爲PRC是中華人民共和國。
直接給出結論：
當正負樣本差距不大的情況下，ROC和PR的趨勢是差不多的，但是當負樣本很多的時候，兩者就截然不同了，ROC效果依然看似很好，但是PR上反映效果一般。解釋起來也簡單，假設就1個正例，100個負例，那麼基本上TPR可能一直維持在100左右，然後突然降到0.如圖，(a)(b)分別爲正負樣本1:1時的ROC曲線和PR曲線，二者比較接近。而(c)(d)的正負樣本比例爲1:1，這時ROC曲線效果依然很好，但是PR曲線則表現的比較差。這就說明PR曲線在正負樣本比例懸殊較大時更能反映分類的性能。
