在ROC分析中，分类器的性能曲线的理想状态是：
学习材料提示：
（1）https://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF
（2）https://baike.baidu.com/item/ROC%E6%9B%B2%E7%BA%BF
（3）https://www.jianshu.com/p/c61ae11cc5f6
代价敏感是指在分类问题中，不同分类任务在分类错误时所导致的代价(Cost)不同。例如在医疗中，“将病人误诊为健康人的代价”与“将健康人误诊为病人的代价”不同；在金融信用卡盗用检测中，“将盗用误认为正常使用的代价”与将“正常使用误认为盗用的代价”也不同。
以下最有可能涉及代价敏感的分类问题是：
负相关是指两列变量变动方向相反，一列变量由大到小或由小到大变化时，另一列变量反而由小到大或由大到小变化。两个变量X和Y呈现负相关性，说明：
参考学习资料：
https://zh.wikipedia.org/wiki/%E7%9B%B8%E9%97%9C%E4%B8%8D%E8%98%8A%E6%B6%B5%E5%9B%A0%E6%9E%9C
大数据和传统数据分析相比，核心特征就是数据量大。
参考资料：https://www.oracle.com/cn/big-data/guide/what-is-big-data.html
分类器在训练样本上的误差越低越好。
学习资料：https://blog.csdn.net/MosBest/article/details/51477833