1、一個二分問題，即將例項分成正類（positive）或負類（negative）。對一個二分問題來說，會出現四種情況。如果一個例項是正類並且也被預測成正類，即為真正類（Truepositive）,如果例項是負類被預測成正類，稱之為假正類（False positive）。相應地，如果例項是負類被預測成負類，稱之為真負類（True negative）,正類被預測成負類則為假負類（false negative）。

真正TP：正確肯定的數目；

假負FN：漏報，沒有正確找到的匹配的數目；

假正FP：誤報，給出的匹配是不正確的；

真負TN：正確拒絕的非匹配對數；

2、列聯表如下表所示，1代表正類，0代表負類。

真正率（TruePositive Rate , TPR）或靈敏度（sensitivity）

TPR = TP /

假負率（FalseNegative Rate , FNR）

FNR = FN /（TP + FN）= 1 - TPR（被預測為負的正樣本結果數 / 正樣本實際數）

假正率（FalsePositive Rate , FPR）

FPR = FP /（FP + TN）（被預測為正的負樣本結果數 /負樣本實際數）

真負率（TrueNegative Rate , TNR）或特指度（specificity）

TNR = TN /（TN + FP）= 1 - FPR（負樣本預測結果數 / 負樣本實際數）

目標屬性的被選中的那個期望值稱作是“正”（positive

其中，兩列Truematches和True non-match分別代表應該匹配上和不應該匹配上的

兩行Pred matches和Pred non-match分別代表預測匹配上和預測不匹配上的

3、roc

在一個二分類模型中，對於所得到的連續結果，假設已確定一個閥值，比如說 0.6，大於這個值的例項劃歸為正類，小於這個值則劃到負類中。如果減小閥值，減到0.5，固然能識別出更多的正類，也就是提高了識別出的正例佔所有正例的比類，即TPR,但同時也將更多的負例項當作了正例項，即提高了FPR。為了形象化這一變化，在此引入ROC，ROC曲線可以用於評價一個分類器。

ROC曲線上幾個關鍵點的解釋：

(TPR=0,FPR=0 ) 把每個例項都預測為負類的模型

(TPR=1,FPR=1 ) 把每個例項都預測為正類的模型

(TPR=1,FPR=0 ) 理想模型

一個好的分類模型應該儘可能靠近圖形的左上角，而一個隨機猜測模型應位於連線點（TPR=0,FPR=0）和（TPR=1,FPR=1）的主對角線上。

4、AUC

ROC曲線下方的面積（Area Under the ROC Curve, AUC）提供了評價模型平均效能的另一種方法。如果模型是完美的，那麼它的AUC = 1，如果模型是個簡單的隨機猜測模型，那麼它的AUC = 0.5，如果一個模型好於另一個，則它的曲線下方面積相對較大

ROC曲線概念