TP Rate ,FP Rate, Precision, Recall, F-Measure, ROC Area,
True Positive （真正, TP）被模型预测为正样本，实际为正样本；
False Positive （假正, FP）被模型预测为正样本， 实际为负样本；
True Negative（真负 , TN）被模型预测为负样本，实际为负样本 ；
False Negative（假负 , FN）被模型预测为负样本，实际为正样本；
举例:
实际样本标签 actual_issame = [1 1 1 1 1 1 0 0 0 0 0]
预测样本结果 predict_issame = [1 1 0 1 0 1 1 0 0 0 0]
实际样本标签 actual_issame_not = [0 0 0 0 0 1 1 1 1 1 1]
预测样本结果 predict_issame_not = [0 0 1 0 1 0 0 1 1 1 1]
正样本个数为6
负样本个数为5
TP + FN = 正样本个数为6
FP + TN = 负样本个数为5
TP = 4 TN = 4 FP = 1 FN = 2
贴一段计算代码
predict_issame = np.less(dist, threshold)
tp = np.sum(np.logical_and(predict_issame, actual_issame)) fp = np.sum(np.logical_and(predict_issame, np.logical_not(actual_issame))) tn = np.sum(np.logical_and(np.logical_not(predict_issame), np.logical_not(actual_issame))) fn = np.sum(np.logical_and(np.logical_not(predict_issame), actual_issame))tpr = 0 if (tp+fn==0) else float(tp) / float(tp+fn)
fpr = 0 if (fp+tn==0) else float(fp) / float(fp+tn) acc = float(tp+tn)/dist.size return tpr, fpr, acc以上面的为例
TP = 4 TN = 4 FP = 1 FN = 2
tpr = TP /（TP + FN）= 4/(4+2) = 66.7%
fpr = FP /（FP + TN）= 1 / (1+4) = 20%
acc = (tp+tn) / (总的样本个数) = (4+4) / 11 = 72.7%
True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）
TPR = TP /（TP + FN）True Negative Rate（真负率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）False Negative Rate（假负率 , FNR）
FNR = FN /（TP + FN）还有另外两个评价指标，针对正样本的评价指标
ROC曲线: TPR与FPR博弈的过程曲线，在不同阈值判决下
分类器希望的是TPR越大，FPR越小，
降低阈值可以使TPR变大，FPR也会越大
提高阈值可以降低FPR，但是TPR会降低
实际中需要根据实际场景进行合理选择阈值，
比如在人脸识别支付的时候，对FPR比较敏感，FPR越小，错误接收的用户可能性越小，用户的钱财越安全， 这个时候，可以提高阈值，降低FPR，TPR也会下降(用户体验会下降)。
在如精准营销领域的商品推荐模型，模型目的是尽量将商品推荐给感兴趣的用户，若用户对推荐的商品不感兴趣，也不会有很大损失，因此此时TPR相对FPR更重要，这个时候可以降低阈值。
