目标检测以及分类任务中的评价指标（roc，auc，map等）

我们在分类任务中经常用ROC曲线与AUC来衡量分类器的好坏。在理解之前，我首先介绍一下混淆矩阵。 混淆矩阵 在二分类问题上，真实类别分为：F：反例；T：正例；预测类别：P：正例；N：反例。 真正例TP(true postive)：样本真实类别为1，学习模型预测的类别也为1 假正例FP(false postive)：样本真实类别为0，学习模型预测的类别为1 真反例TN(true negative)：

>>阅读原文<<