ROC

在混淆矩阵的基础上，我们定义

真正例率（查全率）：

$$TPR=\frac{TP}{TP+FN}$$

假正例率：

$$FPR=\frac{FP}{FP+TN}$$

与PR 曲线类似，我们首先按学习器的测试结果对样本排序，然后按顺序逐个将分类阈值设为当前样本的 测试结果——将当前样本作为正例，进行预测，每次计算得到上诉两个值，以真正例率为纵轴，假正例率 为横轴，绘制的曲线为 ROC 曲线。