正样本、负样本
正样本和负样本通常与二分类问题相关联
正样本： 与真值对应的目标类别来说该样本为正样本。 （正样本是在二分类问题中我们要寻找的目标类别）
负样本： 与真值不对应的其他所有目标类别来说该样本为负样本。（负样本是不属于目标类别的类别）
例如：图片二分类任务（比如判断1张图片是否为猫）。
如果样本对应的标签为1，则该样本为正样本（positive sample）。
如果样本对应的标签为0，则该样本为负样本（negative sample）。
ROC、AUC
TODO 待做
正样本、负样本、AUC（曲线下面积，Area Under the Curve）和 ROC接收者操作特征（Receiver Operating Characteristic）曲线是在二分类问题中常用于评估和描述分类模型性能的关键概念，它们之间的关系如下：
-
正样本和负样本：正样本是在二分类问题中我们要寻找的目标类别，负样本是不属于目标类别的类别。这两个类别组成了二分类问题的基础。正样本通常被标记为 "1"，负样本通常被标记为 "0"。
-
ROC 曲线：ROC 曲线是一种图形化工具，用于评估二分类模型的性能。它绘制了不同阈值下的真正例率（True Positive Rate，TPR，也称为召回率或灵敏度）与假正例率（False Positive Rate，FPR）之间的关系。ROC 曲线是一条从左下角到右上角的曲线，它的横轴是 FPR，纵轴是 TPR。ROC 曲线上的点代表了在不同阈值下模型的性能表现。
-
AUC（曲线下面积）：AUC 是 ROC 曲线下面积的度量，它表示 ROC 曲线下的面积大小。AUC 的取值范围通常在 0.0 到 1.0 之间。AUC 越接近 1.0，表示模型性能越好，因为它意味着在各种阈值下，模型的 TPR 相对于 FPR 都更高。AUC 值越低则表示模型性能越差，因为模型不能有效地区分正样本和负样本。
-
关系：ROC 曲线以正样本和负样本的真正例率（TPR）和假正例率（FPR）为基础，通过不同的阈值来计算这些值，进而绘制出曲线。AUC 是 ROC 曲线下方的面积，用于度量模型在不同阈值下的性能。一般来说，AUC 越大，模型性能越好，表示模型在分类问题中的能力越强。
综上所述，正样本和负样本构成了分类问题的基础，ROC 曲线和 AUC 是用于评估二分类模型性能的工具。ROC 曲线通过不同的阈值来评估模型的性能，而 AUC 是对整个 ROC 曲线性能的一个综合度量。它们一起帮助我们了解模型的分类能力和对不同类别的区分能力。
