转自 ： https://blog.csdn.net/tanzuozhev/article/details/79109311
https://zhuanlan.zhihu.com/p/66885681
正确率(Precision)：真阳性率(True Positive Rate，TPR)，灵敏度(Sensitivity)，召回率(Recall)：真阴性率(True Negative Rate，TNR)，特异度(Specificity)：假阴性率(False Negatice Rate，FNR)，漏诊率( = 1 - 灵敏度)：假阳性率(False Positice Rate，FPR)，误诊率( = 1 - 特异度)：阳性似然比(Positive Likelihood Ratio (LR+))：阴性似然比(Negative Likelihood Ratio (LR−) )：Youden指数(Youden index)：
ROC曲线：接收者操作特征曲线(receiver operating 无辜的黑米 curve)，是反映敏感性和特异性连续变量的综合指标，roc曲线上每个点反映着对同一信号刺激的感受性。
对于分类器或者说分类算法，评价指标主要有precision，recall，F1 score等，以及这里要讨论的ROC和AUC。
ROC曲线中：
横坐标：1-Specificity，伪正类率(False positive rate， FPR)，预测为正但实际为负的样本占所有负例样本 的比例；纵坐标：Sensitivity，真正类率(True positive rate， TPR)，预测为正且实际为正的样本占所有正例样本 的比例。AUC值的计算
AUC (Area Under Curve) 被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围一般在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。
AUC的计算有两种方式，梯形法和ROC AUCH法，都是以逼近法求近似值，具体见wikipedia。