roc綜述為「受試者工作特徵」（receiver operation characteristic），其對於組織分類器和將分類器的效能視覺化十分有用。
它最先由二戰的電子工程師發明，用於偵測戰場上的敵軍載具，是訊號檢測理論的重要組成部分，最近經常用於機器學習和資料探勘研究，可以用於：（1）選擇最優的分類模型（2）在模型中設定最佳閾值
首先我們給出真陽性（true positive）、假陽性（false positive）、真陰性（true negative）和假陰性（false negative）的定義：
真實結果↓**結果→
正例反例
正例tp（真陽性）
fn（假陰性）
反例fp（假陽性）
tn（真陰性）
若為二元分類模型，則兩類分別對應陽性和陰性；若是連續值則我們需要設定乙個閾值，通過與這乙個閾值比較來確定陰陽性。
我們定義真陽性率tpr
tprtp
r 和偽陽性率 fpr
fprfp
r 如下：
t pr
=tpp
=tpt
p+fn
\large = \frac}
tpr=pt
p=t
p+fn
tp
f pr
=fpn
=fpf
p+tn
\large = \frac}
fpr=nf
p=f
p+tn
fp
類似，我們還有以下：
準確率 acc
=tp+
tnp+
n\large}
acc=p+
ntp+
tn
真陰性率 tnr
=tnf
p+tn
tnr = \large}
tnr=fp
+tnt
n陰性**值 npv
=tnt
n+fn
\large}
npv=tn
+fnt
n陽性**值 ppv
=tpt
p+fr
\large}
ppv=tp
+frt
p假發現率 fdr
=fpf
p+tp
\large}
fdr=fp
+tpf
p我們以tpr
tprtp
r（真陽性率）和fpr
fprfp
r（偽陰性率）為縱軸和橫軸，繪製roc曲線：
若我們的樣例數是有限的，則我們可以通過以下步驟繪製近似roc圖：
我們設前乙個標記點座標為(x,
y)(x, y)
(x,y
)，若當前為真陽性（tptp
tp），則當前座標為(x,
y+1m
+)(x, y+\frac)
(x,y+m
+1)
，若當前為偽陽性（fpfp
fp），則當前座標為(x+
1m−,
y)(x+\frac, y)
(x+m−1
,y)
若乙個學習器的roc曲線將另乙個學習器的roc曲線完全「包住」，則後者的效能優於前者；在交叉的情況下，我們通過判斷roc曲線下面的面積來判斷學習器的優劣，故有了auc的定義
auc（area under the curve of roc），顧名思義，其值為roc曲線下面的面積
假定roc曲線是由座標為
\的點按序連線成的(x1
=0,x
m=1)
(x_1 = 0, x_m=1)
(x1=0
,xm
=1)，則auc可估算為
a uc
=12∑
i=1m
−1(x
i+1−
xi)⋅
(yi+
yi+1
)\large\sum_^(x_-x_)\cdot(y_i+y_)}
auc=21
∑i=
1m−1
(xi
+1−
xi)
⋅(yi
+yi
+1)
根據auc判斷分類器優劣如下：
瞎聊機器學習 PR曲線 ROC曲線 AUC
roc曲線經常作為評估二分類的重要指標，其起源於軍事領域，全稱叫做receiver operating characteristic curve。roc曲線是二維平面內的曲線，其橫座標為假陽性率 fpr 縱座標為真陽性率 tpr 他們的計算方法如下 上式中 舉個例子 假設有10個人疑似感冒了，其中有...
ROC與AUC的資料彙總
roc曲線可以認為越靠上代表分類效果越好，網上的介紹是非常的多，在這裡重點是在說明其中的乙個應用，下面還會有部分介紹，但是具體沒有提及的部分可以網上另外查，不是本文重點。常用的二分類演算法如邏輯回歸，往往需要根據業務需求設定乙個臨界值 用以分開0和1，預設是0.5 我們舉乙個列子來說明這個 臨界值 ...
機器學習中ROC及AUC通俗易懂的解釋
roc receiver operating characteristic curve 接收者操作特徵曲線。auc area under curve 上面曲線與x,y軸形成的最大面積。如果你實在不理解roc的中文註解，那就簡單了解一下就行了，點到為止吧！步入正題 step1 roc 首先告訴你roc...