ROC曲线 & AUC

ROC曲线：

纵轴为 recall = TP/(TP+FN), 即正例中有 多少被检测出来了。
横坐标为 假正例率，即误检率= FP/(TN + FP)
其实和pr曲线类似，都可以判断模型的准确性，即误检率低的时候，模型能不能尽可能多的挑出正例

无论误检率多低， recall始终为1，为理想情况

曲线越接近（0, 1)越好

AUC：

Area under curve，
AUC值是一个概率值，当你随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值(置信度）将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。

曲线下的面积，越接近1越好

计算方法：

卡两个指标：置信度阈值和iou，有下列几种情况：
①低于 置信度 或 iou 阈值 的视为负例。
②高于置信度阈值， 且 高于iou阈值的视为正例，

模拟假正率升高的过程：
将卡iou后的输出结果按照置信度从高到低排序，置信度由高到低截取

def plot(tf_confidence, num_groundtruthbox):
	"""
	从上到下截取tf_confidence,计算并画图
	:param tf_confidence : np.array,  
	列1：按照iou计算后的true or false， 取值1，0；
	列2：置信度，
	按照置信度从高到低排序
	:param num_groundtruthbox : int, 标注框的总数
	"""
	fp_list=[]
	recall_list=[]
	precision_list=[]
	auc=0
	 
	"""
	tf_confidence是按照置信度从高到低排序的，不断向后截取，相当于在降低置信度阈值，提高recall和 假正例率
	"""
	for num in range(len(tf_confidence)):
		arr=tf_confidence[:(num+1),0]#截取
		tp=np.sum(arr)
		fp=np.sum(arr==0)
		recall=tp/num_groundtruthbox
		precision=tp/(tp+fp)
		auc=auc+recall
		 
		 
		fp_list.append(fp)
		recall_list.append(recall)
		precision_list.append(precision)
	 
	auc=auc/len(fp_list)
	 
	plt.figure()
	plt.title('ROC')
	plt.xlabel("FalsePositives")
	plt.ylabel("TruePositiverate")
	plt.ylim(0,1)
	plt.plot(fp_list, recall_list)
	plt.legend()
	plt.show()