参考：
1、如何解释召回率、精确率？
2、什么是真、伪阳性率【详细讲解】
3、机器学习中的F1-score
1、二分类情况下，有正、负样本（即：阳性、阴性）
2、根据真实类别、预测类别的不同，可以大致划分为以下四种情况：
也叫召回率，Recall。是指正类样本中，有多少被正确预测为正类【针对于原来样本来说的】
正类样本：真阳、假阴
TPR=TP/（TP+FN）
区分
Precision，也叫精确率。是指被预测为阳性的样本中，有多少是预测正确的【针对于预测结果来说的】
Precision=TP/（TP+FP）
2、TNR、FPR、FNR，同理区分
Accuracy，也叫准确率。包括正、负样本
Accuracy = （TPR+TNR）/2
真阴性率 TNR（True Negative Rate）
假阳性率 FPR（False Positive Rate）
假阴性率 FNR（True Negative Rate）
1、什么是ROC曲线？
【二分类是通过“阈值”来划分正、负类的】
横轴：FPR
纵轴：TPR
2、
1、什么是PR曲线？
横轴：TPR
纵轴：Precision
也分别叫作
（1）查全率：说明你的模型或者方法可以预测出较多的数据
（2）查准率：说明所预测的样本的正确性较高
2、总结
pr曲线因为涉及到精确率precision计算，容易受到样本分布的影响。一般来说，用于平衡数据集。而ROC曲线则，既可以用于平衡数据集，也可以用于不平衡数据集
关于ROC、PR曲线的更详细解释
5、F1-Score 6、实现以上指标在具体python代码中，可以调用sklearn.metrics下的对应函数
1、sklearn.metrics.roc_auc_score(y_true, y_score, *, average=‘macro’, sample_weight=None, max_fpr=None, multi_class=‘raise’, labels=None)
2、sklearn.metrics.average_precision_score(y_true, y_score, *, average=‘macro’, pos_label=1, sample_weight=None)
2、sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
