本篇博文简要讨论机器学习二分类问题中的混淆矩阵、ROC以及AUC评估指标；作为评价模型的重要参考，三者在模型选择以及评估中起着指导性作用。
按照循序渐进的原则，依次讨论混淆矩阵、ROC和AUC：
设定一个机器学习问题情境：给定一些肿瘤患者样本，构建一个分类模型来预测肿瘤是良性还是恶性，显然这是一个二分类问题。
当分类模型选定以后，将其在测试数据集上进行评估，分别可以得到以下评估指标：
混淆矩阵
TP表示预测为良性，真实情况是良性的样例数；
FN表示预测为恶性，真实情况是良性的样例数；
FP表示预测为良性，真实情况是恶性的样例数；
TN表示预测为恶性，真实情况是恶性的样例数；
以上四类数据构成混淆矩阵。
ROC曲线
在混淆矩阵的基础上，进一步地定义两个参数。
按照下式定义FPR参数
FPR表示，在所有的恶性肿瘤中，被预测成良性的比例。称为伪阳性率。伪阳性率告诉我们，随机拿一个恶性的肿瘤样本，有多大概率会将其预测成良性肿瘤。显然FPR越小越好。
按照下式定义TPR参数
TPR表示，在所有良性肿瘤中，被预测为良性的比例。称为真阳性率。真阳性率告诉我们，随机拿一个良性的肿瘤样本时，有多大概率会将其预测为良性肿瘤。显然TPR越大越好。
由上，一个混淆矩阵对应一对（FPR,TPR）
需要明确的是，FPR和TPR是建立在类别明确的预测结果之上的，即分类模型明确地指出待预测样本的类别。
然而，在二分类问题（0，1）中，一般模型最后的输出是一个概率值，表示结果是1的概率。此时需要确定一个阈值，若模型的输出概率超过阈值，则归类为1；若模型的输出概率低于阈值，则归类为0。
不同的阈值会导致分类的结果不同，也就是混淆矩阵有差，FPR和TPR也就不同。
当阈值从0开始慢慢移动到1的过程，就会形成很多对(FPR, TPR)的值，将它们画在坐标系上，就是所谓的ROC曲线了。
AUC
得到ROC曲线后，就可以计算曲线下方的面积，计算出来的面积就是AUC值。
一般而言，AUC越大，模型的性能越好。
示例
