圖中表格裡面的資料的看法是：P和N分别加上單元格内的T（true）或者F（false）
舉例：
假設我們有60個正樣本，40個負樣本，我們要找出所有的正樣本。系統預測出50個，其中隻有40個是真正的正樣本，計算上述各名額：
TP：将正類預測為正類數 40
FP：将負類預測為正類數 （60-40）=20
FN：将負類預測為正類數 （50-40）=10
TN：将負類預測為負類數（40-10）=30
準确類：（accuracy）=預測對的/所有=（TP+TN）/P+N=（40+30）/（60+40）=70%
精準率：（precision）=TP/（TP+FN）=40/（40+10）=80%
召回率：（recall）=TP/（TP+FP）=40/（40+20）=2/3
精準率====樣本中預測的的正例數占總預測正例數的比例（精準率是針對我們預測結果而言的）
召回率====樣本中預測的正例數占總樣本中正例數的比例（召回率是針對我們原來的樣本而言的）
左圖中的表： inst#索引号表示該圖中一共有20個樣本 class 測試樣本本屬于的類别号 （p-正類，N-負類） score通過模型預測的為正類的機率。
右圖中（對左邊表的圖形表示）：x坐标表示：fp.rate.（FP/N）縱坐标y表示：tp.rate（TP/P）
針對第一條資料：預測為正類得到機率為0.9是以，預測為正類屬于p，預測對了。是以在y軸上走。
第二條：預測為正類得到機率為0.8是以，預測為正類屬于p，預測對了。是以在y軸上走。
第三條：預測為正類得到機率為0.7是以，預測為正類屬于p，預測錯了。是以在x軸上走即水準走。
。。。。
是以最後左圖表就可以轉換成右圖，将其中的點連接配接。可以化成一個曲線 ，該曲線就叫做AUC曲線
如下圖所示：
當曲線在黃色的線之上時，表示預測正确率大于50%（例如紅色的線），在黃色線之下的時候表示預測率小于50%（例如水紅色的線）。但是機器不可能知道曲線是在黃色的線上面還是下面，是以這個時候可以求面積。如果曲線下面的面試小于0.5，則表示該預測的機率大于0.5。其中曲線稱為AUC曲線。曲線下的面試稱為ROC面試
計算曲線下的面積的公式：
M:樣本中的正類數，N樣本中的負類數。
：表示将表格裡面的值按照score升序排序，拿正類樣本所對應的樣本的索引号累加起來得值。