概念
在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，在同一模型中设置最佳阈值。by Wikipedia
ROC曲线的画法如下图所示，每个点表示不同阈值下 TP（横坐标) FP（纵坐标）的值，
TP，FP的定义如下
| 实际值 | |||
| ture 真的 | false 假的 | ||
| 预测值 | ture 真的 | TP (true positive) | FP (false positive) |
| false 假的 | FN (false negative) | TN (true negative) | |
TP rate = TP/(TP+FN)，分母就是实际上是真的那一类
FP rate = FP/(FP+TN)，分母就是实际上假的哪一类
例子
下面用两个正态分布的例子说明问题，
下图中左边蓝色是一类，右边绿色是一类。
（目的）ROC的作用是找到两个类，让红色的这条线能够将两类最好地分开。
（过程）从左到→右移动移动这条红色的虚线，计算ROC中的每个点，一个虚线就是一个阈值，对应的就是ROC上面的一个点，将ROC连成曲线。在这个图中已经标明了TP，FP，TN，FN，可以很方便的计算出来。
-------------------------------------------------------------------------------------------------------------------------------
我们知道TP rate越大越好，FP rate越小越好。那么画了ROC之后，怎么判断哪两个类能分的最开呢？怎么找到哪个阈值最好呢？
下面这张图画出了解决办法。就是算出AUC(Area Under Curve,曲线下的面积)，也就是ROC与坐标轴形成的面积。
AUC图反映的是两个类的重叠程度，AUC的面积反应了分类的好坏。
我们可以看到不同的两个分类的AUC截然不同，
第一个例子：可以分开大多数点，它的AUC在0.9左右
第四个例子：两个类完全重合时，一半的点都会分类错误，相当于没分，它的AUC是0.5左右。
因此AUC面积越大的分类器的分类效果最好，这样的分类器在找到阈值后可以有较高的分类正确率。
