ROC曲线，基本理解--受试者工 作特性曲线（Receiver Operating Characteristic curve, ROC)

---

前言

受试者工 作特性曲线（Receiver Operating Characteristic curve, ROC)，又称为感受性曲线（sensitivity curve） 。是一种坐标图式的分析工具，是由二战中的电子和雷达工程师发明的，发明之初是用来侦测敌军飞机、船舰，后来被应用于医学、生物学、犯罪心理学。
如今，ROC 曲线已经被广泛应用于机器学习领域的模型评估，说到这里就不得不提到 Tom Fawcett 大佬，发布的论文**《An introduction to ROC analysis》被奉为 ROC 的经典之作，知名机器学习库 scikit-learn 中的 ROC 算法就是参考此论文实现，可见其影响力！
ROC曲线的主要功能是展示分类模型在各种阈值设置下的效能**。具体来说，通过显示真阳性率（True Positive Rate，简称 TPR）与假阳性率（False Positive Rate，简称 FPR）之间的权衡来帮助我们理解模型的分类能力。

例：如上图中的蓝色曲线就是 ROC 曲线，它常被用来评价二值分类器的优劣，即评估模型预测的准确度。

二值分类器，就是字面意思它会将数据分成两个类别(正/负样本)。例如：预测银行用户是否会违约、内容分为违规和不违规，以及广告过滤、图片分类等场景。

坐标系中纵轴为 TPR((true positive rate)（真阳率/命中率/召回率）最大值为 1，横轴为 FPR( false
positive rate)（假阳率/误判率）最大值为 1，虚线为基准线（最低标准），蓝色的曲线就是 ROC 曲线。其中 ROC
曲线距离基准线越远，则说明该模型的预测效果越好。

• ROC 曲线接近左上角：模型预测准确率很高；
• ROC 曲线略高于基准线：模型预测准确率一般；
• ROC 低于基准线：模型未达到最低标准，无法使用；

是不是还没有充分理解，咱们继续学习。

---

一、ROC 的基本背景知识？

1.四种分类TP/FP/TN/FN

考虑一个二分类模型， 负样本(Negative) 标签为 0，正样本(Positive) 标签为 1。即：
标签 $y$ 的取值为 0 或 1。
模型预测的标签为 $\hat{y}$<