在一个多维度线性回归的二分类场景中我想用ROC曲线来衡量一下。竟然被TP、TN、FP、FN干懵了。 重新记录一下概念，梳理一下理解吧。
TP、TN、FP、FN
四个基础算子其实从含义上分了两类：
- True/False：表示模型预测是否正确。
- True：预测对了，模型说“是”时实际就是“是”，说“不是”时实际就“不是”。
- False：预测错了，模型说“是”但实际“不是”，或者说“不是”但实际“是”。
- Positive/Negative：表示模型预测的类别。
- Positive：模型预测为“正类”（比如垃圾邮件、病人）。
- Negative：模型预测为“负类”（比如正常邮件、健康人）。
我掉入的陷阱就是Positive/Negative，在我的Case中其实是在计算模型预测为“精确匹配”的数据中有多少是错误的case中，用新的程序能识别出多少条。但是错误的把这个数量算入了FN中。
其实Positive/Negative中Positive往往都是要去找实际上的“反例”。比如最开始列举的例子“垃圾邮件”、“病人”。 常识中往往认为Positive应该向“好”而Negative是向“坏”。但实际上的Positive表示的是跟你“业务目标一致”的Case。我们的业务往往都是筛选垃圾邮件，找出样本中的病人。
