AUC、IOU都是啥呀都是啥

首先：

1. TP,FP,TN,FN
TP:True Positive,预测为正样本；实际也为正样本的特征数
FP:False Positive,预测为正样本；实际为负样本的特征数
TN:True Negative,预测为负样本；实际也为负样本的特征数
FN:False Negative,预测为负样本；实际为正样本的特征数

蓝后：

ROC曲线,PR曲线和AUC
ROC曲线：接收者操作特征曲线receiver operating characteristic curve，是反映敏感性和特异性连续变量的综合指标，roc曲线上每个点反映着对同一信号刺激的感受性

横坐标：1-Specificity，伪正类率False positive rate， FPR，TPR=TP/(TP+FN)=Recall，TPR就是召回率，即预测为正但实际为负的样本占所有负例样本的比例,FPR越大，预测正类中实际负类越多

纵坐标：Sensitivity，真正类率(True positive rate， TPR)，预测为正且实际为正的样本占所有正例样本的比例,TPR越大，预测正类中实际正类越多

理想目标：TPR=1，FPR=0，即图中(0,1)点，故ROC曲线越靠拢(0,1)点，越偏离45度对角线越好，Sensitivity和Specificity越大效果越好

AUC（Area Under Curve）的值为ROC曲线下面的面积，若如上所述模型十分准确，则AUC为1

如果AUC的面积为1，恭喜你，在这个类别上你的准确率是最高的。AUC一般越大越好，说明某个类别的分类准确度越高。
--------------------- 
作者：nudt_qxx 

原文：https://blog.****.net/xiangxianghehe/article/details/81287899