TP: true postive，實際上是正樣本，預測也爲正樣本，真正
FP:false postive，實際上是負樣本，預測爲正樣本，真負
FN:false negative，實際上是正樣本，預測爲負樣本，假負
TN:true negative，實際上是負樣本，預測爲負樣本，真負
precision :精準率 = TP/(TP+FP)
Recall :召回率 = TP/(TP+FN)
Accuracy :準確率 = (TP+TN)/(TP+TN+FP+FN)
(1)若一個實例是正類並且被預測爲正類，即爲真正類(True Postive TP)
(2)若一個實例是正類，但是被預測成爲負類，即爲假負類(False Negative FN)
(3)若一個實例是負類，但是被預測成爲正類，即爲假正類(False Postive FP)
(4)若一個實例是負類，但是被預測成爲負類，即爲真負類(True Negative TN)
TP:正確的肯定數目
FN:漏報，沒有找到正確匹配的數目
FP:誤報，沒有的匹配不正確
TN:正確拒絕的非匹配數目
對於每個混淆矩陣，我們計算兩個指標TPR（True positive rate）和FPR（False positive rate），TPR=TP/(TP+FN)=Recall，TPR就是召回率。FPR=FP/(FP+TN)，FPR即爲實際爲好人的人中，預測爲壞人的人佔比。我們以FPR爲x軸，TPR爲y軸畫圖，就得到了ROC曲線。