from http://blog.csdn.net/csqazwsxedc/article/details/51509808
最近一直在看ROC曲线，查阅了一些资料，并进行了整理，文章结尾有原资料链接。希望能自己和各位节约时间来找资料，花更多的时间来学习。
ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣 。ROC曲线怎么来的呢，我们来看经典的混淆矩阵：
ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图：
当然还有其他的一些评估指标，常见的有：ROC、AUC、precision、recall、F1-score。下面是指标详细：
Informedness = Sensitivity + Specificity – 1 |
以下是指标的介绍：感觉原博主讲的很好，我就不作修改了，复制粘贴排版会乱，就直接截图了。
参考来源：
http://www.w2bc.com/Article/88963
https://en.wikipedia.org/wiki/Receiver_operating_characteristic
原创文章，作者：xsmile，如若转载，请注明出处：http://www.17bigdata.com/roc%e6%9b%b2%e7%ba%bf%e4%bb%a5%e5%8f%8a%e8%af%84%e4%bc%b0%e6%8c%87%e6%a0%87f1-score-recall-precision-%e6%95%b4%e7%90%86%e7%89%88/
更多内容请访问：IT源点
注意：本文归作者所有，未经作者允许，不得转载
