对TPR(真正例率) 与 FPR(反正例率)的理解

将测试样本进行排序，“最可能”是正例的排在最前面，“最不可能”是正例的排在最后面。

分类过程就相当于在这个排序中以某个“截断点”（见图中阈值）将样本分为两部分，前一部分判作正例，后一部分判作反例。

我们根据学习器的预测结果对样例进行排序，按此顺序把逐个样本作为正例进行预测，每次计算出FPR， TPR，分别为横纵坐标作图，可得“ROC曲线”。

TPR 与 FPR

P表示“正”的，为预测为“好的”，即要从总体中挑出来的。

真正例率 TPR = TP / (TP + TN)

表示，被挑出来的（预测是“正”的），且正确的（预测值=真实值）的，占总的预测正确的比率。

反正例率 FPR = FP / （FP + TN）

表示，被挑出来的（预测是“正”的），但错误的（预测值!=真实值）的，占总的预测错误的比率。

TPR越大，则表示挑出的越有可能（是正确的）；FPR越大，则表示越不可能（在挑选过程中，再挑新的出来，即再挑认为是正确的出来，越有可能挑的是错误的）。

TPR 与 FPR 呈反相关，随着采样的继续（见上文：“按此顺序把逐个样本作为正例进行预测，每次计算出FPR， TPR”），越不可能是正例的被采样出来，TPR降低，FPR升高。