（原创）
机器学习模型指标小记：
以预测疾病为例，预测病人是否患病或健康。正向：病人，反向：健康
TP：正向预测正确，即病人被预测为病人
FP：反向预测错误，即健康被预测为疾病
FN：正向预测错误，即病人被预测为健康
TN：反向预测正确，即健康被预测为健康
recall（召回，又叫hit rate，sensitivity，true positive rate（TPR））：
TP/(TP+FN) ,正向预测准的，占所有正向人员的比例，
即预测到的病人数占总真实病人数的比例
false postive rate(FPR):
FP/(FP+TN) , 反向预测错误的，占所有反向人员的比例
即预测为病人的健康人，占所有健康人的比例。
precision：
TP/(TP+FP), 正向预测准的，占所有预测正向数的比例
即预测准的病人数占总预测病人数的比例
accuracy:
(TP+TN) /(TP+FP+TN+FN) , 全部预测准的，占总数的比例
即预测准的病人和预测准的健康人，占所有人比例
F1 分数： recall 和 precision 的调和平均
ROC 曲线：横轴为FPR，纵轴为recall
AUC： area under curve，ROC曲线下的面积