roc曲線：接收者操作特徵(receiver operating characteristic),roc曲線上每個點反映著對同一訊號刺激的感受性。
針對一個二分類問題，將例項分成正類(postive)或者負類(negative)。但是實際中分類時，會出現四種情況（都是針對預測的類別來命名的）.
(1)真正類(True Postive TP)（預測為正類，剛好預測的是正確的）
(2)假負類(False Negative FN)（預測為負類，只不過預測錯了）
(3)假正類(False Postive FP)（預測為正類，只不過預測錯了）
(4)真負類(True Negative TN)（預測為負類，剛好預測的是正確的）
橫軸：負正類率(false postive rate FPR)特異度，劃分例項中所有負例佔所有負例的比例；(1-Specificity)
縱軸：真正類率(true postive rate TPR)靈敏度，Sensitivity(正類覆蓋率)（又是召回率recall）
由上表可得出橫，縱軸的計算公式：
(1)真正類率(True Postive Rate)TPR: TP/(TP+FN),代表分類器預測的正類中實際正例項佔所有正例項的比例。Sensitivity
(2)負正類率(False Postive Rate)FPR: FP/(FP+TN)，代表分類器預測的正類中實際負例項佔所有負例項的比例。1-Specificity
(3)真負類率(True Negative Rate)TNR: TN/(FP+TN),代表分類器預測的負類中實際負例項佔所有負例項的比例，TNR=1-FPR。Specificity
假設採用邏輯迴歸分類器，其給出針對每個例項為正類的機率，那麼透過設定一個閾值如0.6，機率大於等於0.6的為正類，小於0.6的為負類。對應的就可以算出一組(FPR,TPR),在平面中得到對應座標點。隨著閾值的逐漸減小，越來越多的例項被劃分為正類，但是這些正類中同樣也摻雜著真正的負例項，即TPR和FPR會同時增大。閾值最大時，對應座標點為(0,0),閾值最小時，對應座標點(1,1)。
如下面這幅圖，(a)圖中實線為ROC曲線，線上每個點對應一個閾值。
橫軸FPR:1-TNR,1-Specificity，FPR越大，預測正類中實際負類越多。
縱軸TPR：Sensitivity(正類覆蓋率),TPR越大，預測正類中實際正類越多。
理想目標：TPR=1，FPR=0,即圖中(0,1)點，故ROC曲線越靠攏(0,1)點，越偏離45度對角線越好，Sensitivity、Specificity越大效果越好
roc曲線：接收者操作特徵(receiver operating characteristic),roc曲線上每個點反映著對同一訊號刺激的感受性。
針對一個二分類問題，將例項分成正類(postive)或者負類(negative)。但是實際中分類時，會出現四種情況（都是針對預測的類別來命名的）.
(1)真正類(True Postive TP)（預測為正類，剛好預測的是正確的）
(2)假負類(False Negative FN)（預測為負類，只不過預測錯了）
(3)假正類(False Postive FP)（預測為正類，只不過預測錯了）
(4)真負類(True Negative TN)（預測為負類，剛好預測的是正確的）
橫軸：負正類率(false postive rate FPR)特異度，劃分例項中所有負例佔所有負例的比例；(1-Specificity)
縱軸：真正類率(true postive rate TPR)靈敏度，Sensitivity(正類覆蓋率)（又是召回率recall）
由上表可得出橫，縱軸的計算公式：
(1)真正類率(True Postive Rate)TPR: TP/(TP+FN),代表分類器預測的正類中實際正例項佔所有正例項的比例。Sensitivity
(2)負正類率(False Postive Rate)FPR: FP/(FP+TN)，代表分類器預測的正類中實際負例項佔所有負例項的比例。1-Specificity
(3)真負類率(True Negative Rate)TNR: TN/(FP+TN),代表分類器預測的負類中實際負例項佔所有負例項的比例，TNR=1-FPR。Specificity
假設採用邏輯迴歸分類器，其給出針對每個例項為正類的機率，那麼透過設定一個閾值如0.6，機率大於等於0.6的為正類，小於0.6的為負類。對應的就可以算出一組(FPR,TPR),在平面中得到對應座標點。隨著閾值的逐漸減小，越來越多的例項被劃分為正類，但是這些正類中同樣也摻雜著真正的負例項，即TPR和FPR會同時增大。閾值最大時，對應座標點為(0,0),閾值最小時，對應座標點(1,1)。
如下面這幅圖，(a)圖中實線為ROC曲線，線上每個點對應一個閾值。
橫軸FPR:1-TNR,1-Specificity，FPR越大，預測正類中實際負類越多。
縱軸TPR：Sensitivity(正類覆蓋率),TPR越大，預測正類中實際正類越多。
理想目標：TPR=1，FPR=0,即圖中(0,1)點，故ROC曲線越靠攏(0,1)點，越偏離45度對角線越好，Sensitivity、Specificity越大效果越好