机器学习100天！今天讲的是：分类模型评价指标-ROC曲线和AUC
《机器学习100天》完整目录：目录
首先基于混淆矩阵，介绍两个新的概念：真正例率（TPR）和假正例率（FPR）。真正例率是预测为正且实际为正的样本的占所有正例样本的比例。TPR 越大，预测的正类中实际正类越多。计算表达式是：
假正例率是预测为正但实际为负的样本占所有负样本的比例。FPR 越大，预测的正类中实际负类越多。计算表达式是：
那么 ROC 和 AUC 是如何引入的呢？我们知道，分类模型是有一个阈值的，逻辑回归使用 sigmoid 函数，一般默认阈值是 0.5，大于 0.5 判断为正类，小于则为负类。而在实际的应用中，根据具体情况，我们可以采用不同的阈值，例如若更重视精确率，则可选择较大一点的阈值；若更重视召回率，则可选择较小的阈值。
选择不同的阈值，计算真正例率和假正例率。然后，以假正例率为横坐标，以真正例率为纵坐标，把所有的点连接起来，就得到了右边这张图所示蓝色的曲线。它就是 ROC 曲线。因为一般选择的是有限样本数，所以 RO
