分段覆盖率TPR

黑产监控中，需要尽可能做到尽可能少的误伤和尽可能准确地探测，可以选择“在FPR较低时的TPR加权平均值”作为平均指标。

根据混淆矩阵计算TPR（覆盖率）和FPR（打扰率）：

覆盖率：TPR = TP /（TP + FN）

打扰率：FPR = FP /（FP + TN）

TP、FN、FP、TN分别为真正例、假反例、假正例、真反例

通过设定不同的阈值，会有一系列TPR和FPR，就可以绘制出ROC曲线：

这里的评分指标，首先计算3个覆盖率TPR：

TPR1：FPR=0.001时的TPR

TPR2：FPR=0.005时的TPR

TPR3：FPR=0.01  时的TPR

最终成绩= 0.4 * TPR1 + 0.3 * TPR2 + 0.3 * TPR3

def tpr_weight_funtion(y_true,y_predict):
　　"""
　　y_true:真实的类别
　　y_predict:预测的类别
　　"""
    d = pd.DataFrame()
    d['prob'] = list(y_predict)
    d['y'] = list(y_true)
    d = d.sort_values(['prob'], ascending=[0])
    y = d.y
    PosAll = pd.Series(y).value_counts()[1]
    NegAll = pd.Series(y).value_counts()[0]
    pCumsum = d['y'].cumsum()
    nCumsum = np.arange(len(y)) - pCumsum + 1
    pCumsumPer = pCumsum / PosAll
    nCumsumPer = nCumsum / NegAll
    TR1 = pCumsumPer[abs(nCumsumPer-0.001).idxmin()]
    TR2 = pCumsumPer[abs(nCumsumPer-0.005).idxmin()]
    TR3 = pCumsumPer[abs(nCumsumPer-0.01).idxmin()]
    return 0.4 * TR1 + 0.3 * TR2 + 0.3 * TR3