在分类器评估中，FPR（False Positive Rate，假阳性率）和TPR（True Positive Rate，真阳性率）是两个重要的指标。

FPR指的是在所有实际为负例的样本中，被错误地预测为正例的比例。它可以通过以下公式计算：

FPR = FP / (FP + TN)

其中，FP表示被错误地预测为正例的负例数量，TN表示被正确地预测为负例的负例数量。

TPR指的是在所有实际为正例的样本中，被正确地预测为正例的比例，也可以称为召回率（Recall）或灵敏度（Sensitivity）。它可以通过以下公式计算：

TPR = TP / (TP + FN)

其中，TP表示被正确地预测为正例的正例数量，FN表示被错误地预测为负例的正例数量。

FPR和TPR通常在ROC曲线（Receiver Operating Characteristic Curve）中使用。ROC曲线是以FPR为横轴，TPR为纵轴绘制的曲线，用于评估分类器在不同阈值下的性能。曲线上的每个点对应着一个特定的阈值，可以根据需求选择最合适的阈值。

在ROC曲线上，理想的分类器表现为曲线靠近左上角，即FPR较低，TPR较高。ROC曲线下的面积（AUC，Area Under the Curve）也是评估分类器性能的常用指标，AUC越接近1，表示分类器性能越好。

总结起来，FPR和TPR是分类器评估中用于衡量假阳性率和真阳性率的指标，通过ROC曲线可以综合评估分类器在不同阈值下的性能。