Precision，Recall，F1-score
首先介紹precision，recall，f1-score三個概念。
對于二值分類器（positive與negative），用下圖表示classifying的結果以及以上三個指標的計算公式。
ROC曲線，AUC
一般二值分類器的輸出是對每個測試樣本是正向分類positive的概率，在判別正負時會選定一個臨界值，低于這個值的樣本都是負樣本，高于這個值的樣本都是正樣本，再與樣本的實際屬性，也就是標簽做對比計算，得出真陽性率TPR（True Positive Rate）和偽陽性率FPR（False Positive Rate）
TPR = TP/(TP+FN)
FPR = FP/(FP+TN)
如果有N個樣本，按照模型輸出的概率排序，那我們最多能得到N組TPR，FPR的數據，就能繪出ROC曲線。
樣本越多，ROC曲線就會越光滑。
AUC即是ROC的曲線積分，即多邊形的面積。
一般來說AUC值在0.5到1之間，越接近1，說明模型越好；
ROC曲線越接近上圖的紅線，說明模型越沒效果（跟隨機瞎猜很相近）；
ROC在紅線下面，就應該檢查是不是標簽貼反了，或者是模型真的很差。
