首先，我們需要了解一下，什麼是ROC曲線？
ROC曲線，即受試者工作特征曲線（Receiver Operating Characteristic curve，簡稱ROC曲線，是根據一系列不同的二分類方式，以真陽性率（TPR）為縱坐标，假陽性率（FPR）為橫坐标繪制成的曲線，描述的是一個模型的性能。
依舊是以之前的圖檔為例子：
對于ROC曲線，我們可以首先求出TPR和FPR兩個名額：
以下圖為例，
哪條ROC曲線對應的分類器效果好？
我們将曲線與x軸的面積定義為AUC（Area Under Curve），即ROC曲線下的面積。其中，AUC越大，代表分類器的效果越好。是以，B的效果要比A好得多。
AUC的取值範圍通常為【0.5，1】之間，倘若一個模型的AUC的值小于0.5，那麼我們便認為這個模型是沒有意義的。