一、ROC曲线：
1、混淆矩阵：
针对二元分类问题，将实例分为正类或者负类，会出现四种情况：
（1）实例本身为正类，被预测为正类，即真正类（TP）；
（2）实例本身为正类，被预测为负类，即假负类（FN）；
（3）实例本身为负类，被预测为正类，即假正类（FP）；
（4）实例本身为负类，被预测为负类，即真负类（TN）；
然后可以构建混淆矩阵，如下表所示：
（1）准确率（又称查准率）Precision， P=TP/(TP+FP)
（2）召回率（又称查全率）Recall， R=TP/(TP+FN）
（3）F1-Score，F1=2PR/(P+R)
recall 体现了分类模型对正样本的识别能力，recall 越高，说明模型对正样本的识别能力越强；
precision 体现了模型对负样本的区分能力，precision越高，说明模型对负样本的区分能力越强；
F1-score 是两者的综合，F1-score 越高，说明分类模型越稳健。