一 背景
首先举个例子：
正样本（90） 负样本（10）
模型1预测 正（90） 正（10）
模型2预测 正（70）负（20） 正（5）负（5）
结论：
模型1准确率90%；
模型2 准确率75%
考虑对正负样本对预测能力，显然模型2要比模型1好，但对于这种正负样本分布不平衡对数据，准确率不能衡量分类器对好坏了，所以需要指标auc解决倾斜样本的评价问题。
二分类混淆矩阵
预测\实际 1 0
1 TP FP
0 FN TN
TPR＝TP／P＝TP／TP＋FN 直观1中猜对多少
FPR＝FP／N＝FP／FP＋TN 直观0中猜错多少
Auc对横纵坐标分别为FPR和TPR，相对于y=x这条直线靠近左上角对分类器性能更好，所以模型2更优。
TPR FPR
模型1 90/90＝1 10/10=1
