1 ROC

ROC((Receiver Operating Characteristic Curve))，即受試者工作特徵曲線。ROC曲線是用來驗證一個分類器（二分）模型的效能的。其工作原理是，給出一個模型，輸入已知正負類的一組資料，並通過對比模型對該組資料進行的預測，衡量這個模型的效能。

TP：實際是正樣本預測成正樣本的樣本數
FN：實際是正樣本預測成負樣本的樣本數
FP：實際是負樣本預測成正樣本的樣本數
TN：實際是負樣本預測成負樣本的樣本數
TPR=TP/(TP+FN)，也稱為“命中率”
FPR=FP/(FP+TN)，也稱為“假報率”
TNR=TN/(FP+TN)，也稱為“敏感度”

• ROC曲線如下圖所示
  
  (0,0)：分類器全部預測成負樣本，這種情況說明閾值選得過高
  (0,1)：全部完美預測正確
  (1,0)：全部完美預測錯誤
  (1,1)：分類器全部預測成正樣本，這種情況說明閾值選得過低
  TPR＝FPR，斜對角線，預測為正樣本的結果一半是對的，一半是錯的，代表隨機分類器的預測效果

2 AUC

• AUC(Area Under Curve)：ROC曲線與FPR軸線形成的面積，是對ROC曲線的量化指標。AUC的值越大越好，其取值範圍為(0.5，1)。

3 ACC

• ACC(Accuracy)：準確率，ACC=(TP+TN)/(TP+TN+FP+FN)，即分類器準確識別真陽性和假陰性的比率。
• ACC沒辦法較好地脫離測試資料對模型進行評價，這也就是我們為什麼要用ROC的原因。（如一組資料負樣本比例極高，ACC值高，表明對負類預測很準；但另一組資料正樣本比例高，這樣ACC的值會很低）

4 召回率(Recall)

• 召回率表示樣本中的正例有多少被預測正確，有兩種可能：一種是把原來的正類預測成正類(TP)，另一種就是把原來的正類預測為負類(FN)。
• R=TPR=TP/(TP+FN)

5 精度(Precision)

• 精度表示預測為正的樣本中有多少是正確的，有兩種可能：一種就是把正類預測為正類(TP)，另一種就是把負類預測為正類(FP)。
• P=TP/(TP+FP)

參考

https://blog.csdn.net/shenpibaipao/article/details/78033218
https://blog.csdn.net/sunflower_sara/article/details/81214897