参数定义
在机器学习里面，通过会用到一些评价指标提到ROC曲线，F1-score等问题，这篇文章主要讲述了各参数是如何定义的，以及相互之间的关系。
首先，看一张表格：
| 预测\实际 | 正 | 负 |
| 正 | TP | FP |
| 负 | FN | TN |
接下来，解释着四个参数的具体含义
TP：实际是正例，预测为正例
FP：实际为负例，预测为正例
TN：实际为负例，预测为负例FN：实际为正例，预测为负例
公式推导
Recall（召回率）=sensitivity（灵敏性）=TPR=TP/(TP+FN)，真正率，可理解为正确的被判断为正确的
Precision（精度）=TP/(TP+FP)，准确度，预测为正类中，实际为正类的比例
FPR=FP/(FP+TN)，负正类率
specificity（特异性）=TN/(TN+FP)=1-FPR，真负率，可理解为错误的被判断为错误的
2/F1-score=1/P+1/R ，F1值
ROC曲线：以TPR，FPR为Y轴，X轴绘制而成
PR曲线：以Precision，Recall为Y轴，X轴绘制而成