机器学习｜ROC曲线和AUC值

概念AUC（Area Under Curve）被定义为ROC曲线下的面积。其中，ROC曲线全称为受试者工作特征曲线 （receiver operating characteristic curve），
模型会计算出所判断事物为汉堡的概率，而这个时候还需要再设置一个阈值，使得计算出来的概率如果大于这个阈值，就会被判作是汉堡，而如果小于这个阈值的话，就会被判作不是汉堡。
也就是说，有存在两种错误情况，一种是判断为，但实际并不是，另外一种是判断为不是，但实际是汉堡。
同时不同的阈值会对应不同的图像，而可能对应不同的错误情况的情况个数。

真正例率(True Positive Rate,简称TPR)（实际为真的个体占判断为真的个体的比值）
TPR的话，值越大越好，能判出来更多正确的真。
假正例率(False Positive Rate,简称FPR),FPR的话，越小越好，被错判为是的情况越少。
因而点越靠上和靠左越好

从而可以得到ROC曲线。（receiver operating characteristic curve,简称ROC曲线）
而一条ROC曲线是可以用来刻画一个分类器在不同阈值下的变化。
也就是说，一条ROC曲线可以对应一个分类器或者分类器的性能。
比较分类器的某些性能也可以用对应的ROC曲线进行比较。