模型评估——ROC曲线与AUC计算（真正率假正率）

评估方法：
在学习得到的模型投放使用之前，通常需要对其进行性能 评估。为此， 需使用一个“测试集”（testing set）来测试 模型对新样本的泛化能力，然后以测试集上的“测试误差 ”（testing error）作为泛化误差的近似。

我们假设测试集是从样本真实分布中独立采样获得，所以 测试集要和训练集中的样本尽量互斥。

给定一个已知的数据集，将数据集拆分成训练集S和测试集 T，通常的做法包括留出法、交叉验证法、自助法。

评估指标：
要评估模型的好坏光有评估方法还不行，还得确定评估指标。

所谓评估指标就是衡量模型泛化能力好坏的评估标准，反映了 任务需求；使用不同的评估指标往往会导致不同的评估结果。

在分类预测任务中，给定测试样例集，评估分类模型的性能就 是把对每一个待测样本的分类结果和它的真实标记比较。

因此，准确率和错误率是最常用的两种评估指标：

• 准确率就是分对样本占测试样本总数的比例
• 错误率就是分错样本占测试样本总数的比例

ROC曲线的绘制基于TPR和FPR，这里先说真正率和假正率的计算

真正率与假正率的计算