目標檢測以及分類任務中的評價指標（roc，auc，map等）

我們在分類任務中經常用ROC曲線與AUC來衡量分類器的好壞。在理解之前，我首先介紹一下混淆矩陣。 混淆矩陣 在二分類問題上，真實類別分爲：F：反例；T：正例；預測類別：P：正例；N：反例。 真正例TP(true postive)：樣本真實類別爲1，學習模型預測的類別也爲1 假正例FP(false postive)：樣本真實類別爲0，學習模型預測的類別爲1 真反例TN(true negative)：

>>阅读原文<<