在做決策時，ROC分析能不受成本／效益的影響，給出客觀中立的建議。
分類模型（又稱分類器，或診斷）是將一個實例映射到一個特定類的過程。
ROC分析的是二元分類模型，也就是輸出結果只有兩種類別的模型，例如：
（陽性／陰性）（有?。瘺]?。ɡ]件／非垃圾郵件）（敵軍／非敵軍）。
當訊號偵測（或變數測量）的結果是一個連續值時，類與類的邊界必須用一個閾值（英語：threshold）來界定。
舉例來說，用血壓值來檢測一個人是否有高血壓，測出的血壓值是連續的實數（從0~200都有可能），以收縮壓140／舒張壓90為閾值，閾值以上便診斷為有高血壓，閾值未滿者診斷為無高血壓。二元分類模型的個案預測有四種結局：
真陽性（TP）：診斷為有，實際上也有高血壓。
偽陽性（FP）：診斷為有，實際卻沒有高血壓。
真陰性（TN）：診斷為沒有，實際上也沒有高血壓。
偽陰性（FN）：診斷為沒有，實際卻有高血壓。
Ture Positive
False Positve
相對比較好記憶
這個東西可以合成 confusion matrix 中文是 混淆矩陣
ROC空間將偽陽性率（FPR）定義為 X 軸，真陽性率（TPR）定義為 Y 軸。
TPR：在所有實際為陽性的樣本中，被正確地判斷為陽性之比率。
TPR=TP/(TP+FN)
也就是陽性判斷對的概率
FPR：在所有實際為陰性的樣本中，被錯誤地判斷為陽性之比率。
FPR=FP/(FP+TN)
也就是陰性判斷對的概率
準確度 (ACC, accuracy)
ACC = (TP + TN) / (P + N)
(真陽性+真陰性) / 總樣本數
點與隨機猜測線的距離，是預測力的指標：離左上角越近的點預測（診斷）準確率越高。離右下角越近的點，預測越不準。
在A、B、C三者當中，最好的結果是A方法。
好的，接下來說曲線：
同一個二元分類模型的閾值可能設定為高或低，每種閾值的設定會得出不同的FPR和TPR。
將同一模型每個閾值 的 (FPR, TPR) 座標都畫在ROC空間里，就成為特定模型的ROC曲線。
一些規律
當閾值設定為最高時，亦即所有樣本都被預測為陰性，沒有樣本被預測為陽性，此時在偽陽性率 FPR = FP / ( FP + TN ) 算式中的 FP = 0，所以 FPR = 0%。同時在真陽性率（TPR）算式中， TPR = TP / ( TP + FN ) 算式中的 TP = 0，所以 TPR = 0%。當閾值設定為最高時，必得出ROC座標系左下角的點 (0, 0)。
當閾值設定為最低時，亦即所有樣本都被預測為陽性，沒有樣本被預測為陰性，此時在偽陽性率FPR = FP / ( FP + TN ) 算式中的 TN = 0，所以 FPR = 100%。同時在真陽性率 TPR = TP / ( TP + FN ) 算式中的 FN = 0，所以 TPR=100%。當閾值設定為最低時，必得出ROC座標系右上角的點 (1, 1)。
因為TP、FP、TN、FN都是累積次數，TN和FN隨著閾值調低而減少（或持平），TP和FP隨著閾值調低而增加（或持平），所以FPR和TPR皆必隨著閾值調低而增加（或持平）。
→ 隨著閾值調低，ROC點 往右上（或右／或上）移動，或不動；但絕不會往左下(或左／或下)移動。
ROC下的面積 AUC
ROC曲線下方的面積（英語：Area under the Curve of ROC (AUC ROC)），其意義是：
- 因為是在1x1的方格里求面積，AUC必在0~1之間。
- 假設閾值以上是陽性，以下是陰性；
- 若隨機抽取一個陽性樣本和一個陰性樣本，分類器正確判斷陽性樣本的值高于陰性樣本之機率 = AUC 。
- 簡單說：AUC值越大的分類器，正確率越高。
從AUC判斷分類器（預測模型）優劣的標準：
- AUC = 1，是完美分類器，采用這個預測模型時，存在至少一個閾值能得出完美預測。絕大多數預測的場合，不存在完美分類器。
- 0.5 < AUC < 1，優于隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
- AUC = 0.5，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值。
- AUC < 0.5，比隨機猜測還差；但只要總是反預測而行，就優于隨機猜測。
