一、ROC曲線：
1、混淆矩陣：
針對二元分類問題，將實例分為正類或者負類，會出現四種情況：
（1）實例本身為正類，被預測為正類，即真正類（TP）；
（2）實例本身為正類，被預測為負類，即假負類（FN）；
（3）實例本身為負類，被預測為正類，即假正類（FP）；
（4）實例本身為負類，被預測為負類，即真負類（TN）；
然后可以構建混淆矩陣，如下表所示：
（1）准確率（又稱查准率）Precision， P=TP/(TP+FP)
（2）召回率（又稱查全率）Recall， R=TP/(TP+FN）
（3）F1-Score，F1=2PR/(P+R)
recall 體現了分類模型對正樣本的識別能力，recall 越高，說明模型對正樣本的識別能力越強；
precision 體現了模型對負樣本的區分能力，precision越高，說明模型對負樣本的區分能力越強；
F1-score 是兩者的綜合，F1-score 越高，說明分類模型越穩健。