分类模型的评估指标（2）---ROC曲线与AUC简介

首先，我们需要了解一下，什么是ROC曲线？

ROC曲线，即受试者工作特征曲线（Receiver Operating Characteristic curve，简称ROC曲线，是根据一系列不同的二分类方式，以真阳性率（TPR）为纵坐标，假阳性率（FPR）为横坐标绘制成的曲线，描述的是一个模型的性能。

依旧是以之前的图片为例子：

对于ROC曲线，我们可以首先求出TPR和FPR两个指标：

 以下图为例，

 哪条ROC曲线对应的分类器效果好？

我们将曲线与x轴的面积定义为AUC（Area Under Curve），即ROC曲线下的面积。其中，AUC越大，代表分类器的效果越好。因此，B的效果要比A好得多。

AUC的取值范围通常为【0.5，1】之间，倘若一个模型的AUC的值小于0.5，那么我们便认为这个模型是没有意义的。