ROC空間將偽陽性率（FPR）定義為 X 軸狗热，真陽性率（TPR）定義為 Y 軸。
-
TPR：在所有實(shí)際為陽性的樣本中续镇，被正確地判斷為陽性之比率瞭吃。
image.png -
FPR：在所有實(shí)際為陰性的樣本中芹啥，被錯(cuò)誤地判斷為陽性之比率
image.png
image.png micro-average ROC: 將各類別的fpr和tpr對(duì)應(yīng)展開成單一roc
-
macro-average ROC: 計(jì)算各類別在相同fpr的tpr（通過插值法），相加并平均
image.png
參考：
[1]:https://www.wikiwand.com/zh-hans/ROC%E6%9B%B2%E7%BA%BF
[2]:https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-modules-model_evaluation.html?lang=en#roc-metrics
[3]:https://datascience.stackexchange.com/questions/15989/micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin/16001#16001
[4]:https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-auto_examples-model_selection-plot_roc.html?lang=en#sphx-glr-auto-examples-model-selection-plot-roc-py
