本文针对 ROC 曲线相关的各种概念进行基本阐述，以供日后查阅

基本概念

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。

Confusion matrix	实际为 True	实际为 False
检测为 True	TP	FP
检测为 False	FN	TN

以上定义来自 wiki，从表中可以很清晰地看出对应的关系，注意 TP 等概念指的是对应的项目个数，同样的，这里并不涉及到各种检测率的概念，只是单纯的程序是否判断正确的个数统计。注意，涉及到多类问题的时候，应该将每一类分开计算，其余类别均属于错误范围内。

ROC 区间

如图：

图中所示：

TPR：TP／（TP+FN）
FPR：FP／（FP+TN）

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）。图中的 A 是三个分类器中性能最好的一个，而 C 的反向分类确是最完美的一个，意思就是无论 C 分类器给出的判断是什么，均取反即可

ROC 曲线

对于每个不同的分类器来说，分为 1 与 0 总是需要取一个阈值的，也就是可以理解为在神经网络中最后一层，选择怎样的阈值对网络得出的结果进行判断，如下图所示，当设定的阈值进行变化时，整个 ROC 空间会得到一连串的不同坐标，而这些坐标放在一起连成曲线，就能得到所谓的 ROC 曲线，其中最接近左上角的点，就是最佳阈值的取值点

应当注意的是：

当阈值设定为最高时，必得出 ROC 座标系左下角的点 (0, 0)
当阈值设定为最低时，必得出 ROC 座标系右上角的点 (1, 1)
随着阈值调低，ROC 点往右上（或右／或上）移动，或不动；但绝不会往左下 (或左／或下) 移动。

曲线下面积（AUC）

AUC 从下图中就可以看出代表的含义，就是曲线下的面积占总面积比，不难得到，AUC 的值越大，则分类器的正确率越高，在比较不同的分类模型时，可以将每个模型的 ROC 曲线都画出来，比较曲线下面积做为模型优劣的指标。

其他概念

准确率（precision rate）：TP／（TP+FP）
召回率（recall rate）：TP／（TP+FN）

准确率代表的是，检测出来的所有的值为1的项当中有多少是检测正确的项，但事实上不一定准确率越高的分类器性能越好，因为还存在召回率的问题，实际操作中，一般要求召回率在85%-100%之间为宜。