wiki
https://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF
在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种座标图式的分析工具，用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一模型中设定最佳阈值。
在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。
ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具（飞机、船舰），也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。数十年来，ROC分析被用于医学、无线电、生物学、犯罪心理学领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。
分类模型（又称分类器，或诊断）是将一个实例映射到一个特定类的过程。ROC分析的是二元分类模型，也就是输出结果只有两种类别的模型，例如：（阳性／阴性）（有病／没病）（垃圾邮件／非垃圾邮件）（敌军／非敌军）。
当讯号侦测（或变数测量）的结果是一个连续值时，类与类的边界必须用一个阈值（英语：threshold）来界定。举例来说，用血压值来检测一个人是否有高血压，测出的血压值是连续的实数（从0~200都有可能），以收缩压140／舒张压90为阈值，阈值以上便诊断为有高血压，阈值未满者诊断为无高血压。二元分类模型的个案预测有四种结局：
- 真阳性（TP）：诊断为有，实际上也有高血压。
- 伪阳性（FP）：诊断为有，实际却没有高血压。
- 真阴性（TN）：诊断为没有，实际上也没有高血压。
- 伪阴性（FN）：诊断为没有，实际却有高血压。
这四种结局可以画成2 × 2的Confusion matrix：
| 真实值 | 总 数 |
|||
|---|---|---|---|---|
| p | n | |||
| 预 测 输 出 |
p‘ | 真阳性 (TP) |
伪阳性 (FP) |
P‘ |
| n‘ | 伪阴性 (FN) |
真阴性 (TN) |
N‘ | |
| 总数 | P | N | ||
|
| Source: Fawcett (2006). |
ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。
- TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。
- FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率。
给定一个二元分类模型和它的阈值，就能从所有样本的（阳性／阴性）真实值和预测值计算出一个 (X=FPR, Y=TPR) 座标点。
从 (0, 0) 到 (1,1) 的对角线将ROC空间划分为左上／右下两个区域，在这条线的以上的点代表了一个好的分类结果（胜过随机分类），而在这条线以下的点代表了差的分类结果（劣于随机分类）。
曲线下面积（AUC）
AUC值越大的分类器，正确率越高。