PR曲线和ROC

ROC曲线（Receiver Operating Characteeristic Curve）是显示Classification模型真正率和假正率之间折中的一种图形化方法。 

解读ROC图的一些概念定义:： 

真正（True Positive , TP）被模型预测为正的正样本 
假负（False Negative , FN）被模型预测为负的正样本 
假正（False Positive , FP）被模型预测为正的负样本 
真负（True Negative , TN）被模型预测为负的负样本 

真正率（True Positive Rate , TPR）或灵敏度（sensitivity） 
TPR = TP /（TP + FN） 
正样本预测结果数 / 正样本实际数 
假负率（False Negative Rate , FNR） 
FNR = FN /（TP + FN） 
被预测为负的正样本结果数 / 正样本实际数 
假正率（False Positive Rate , FPR） 
FPR = FP /（FP + TN） 
被预测为正的负样本结果数 /负样本实际数 
真负率（True Negative Rate , TNR）或特指度（specificity） 
TNR = TN /（TN + FP） 
负样本预测结果数 / 负样本实际数 

目标属性的被选中的那个期望值称作是“正”（positive） 

ROC曲线上几个关键点的解释： 

( TPR=0,FPR=0 ) 把每个实例都预测为负类的模型 
( TPR=1,FPR=1 ) 把每个实例都预测为正类的模型 
( TPR=1,FPR=0 ) 理想模型

一个好的分类模型应该尽可能靠近图形的左上角，而一个随机猜测模型应位于连接点（TPR=0,FPR=0）和（TPR=1,FPR=1）的主对角线上。 

ROC曲线下方的面积（AUC）提供了评价模型平均性能的另一种方法。如果模型是完美的，那么它的AUG = 1，如果模型是个简单的随机猜测模型，那么它的AUG = 0.5，如果一个模型好于另一个，则它的曲线下方面积相对较大。

信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:

             召回率(Recall)      =  系统检索到的相关文件 / 系统所有相关的文件总数

             准确率(Precision) =  系统检索到的相关文件 / 系统所有检索到的文件总数