ROC曲线来历：相传在第二次世界大战期间，雷达兵的任务之一就是死死地盯住雷达显示器，观察是否有敌机来袭。理论上讲，只要有敌机来袭，雷达屏幕上就会出现相应的信号，但是实际上，有时如果有飞鸟出现在雷达扫描区域时，雷达屏幕上有时也会出现信号。这种情况令雷达兵烦恼不已：如果过于谨慎，凡是有信号就确定为敌机来袭，显然会增加误报风险；如果过于大胆，凡是信号都认为飞鸟，又会增加漏报的风险。为了研究每个雷达兵预报的准确性，雷达兵的管理者汇总了所有雷达兵的预报特点，特别是他们漏报和误报的概率，并将这些概率画到一个二维坐标里面。由于每个雷达兵的预报标准不同，且得到的敏感性和特异性的组合也不同。将这些雷达兵的预报性能进行汇总后，雷达兵管理员发现他们刚好在一条曲线上，这条曲线就是我们经常在医学杂志上看见的ROC曲线。

ROC曲线（receiver operating characteristic curve）：即接受者操作特性曲线。我们根据学习器的预测结果，把阈值从0变到最大，随着阈值的增大，学习器预测正例数越来越少，直到最后没有一个样本是正例。在这一过程中，每次计算出灵敏度和特异性，分别以它们为横、纵坐标作图，就得到了ROC曲线。

AUC面积（area under curve）：为ROC曲线下与坐标轴围成的面积，这个面积数值 ≤ 1。由于ROC曲线一般都处于y = x这条直线的上方，所以AUC的取值范围在0.5和1之间。我们往往使用AUC值作为模型的评价标准是AUC值越大，对应的模型效果更好。

准确率（accuracy）=（TP+TN）/（TP+TN+FP+FN），即被预测正确的样本与所有预测样本的比。

灵敏度（sensitivity）= TP /（TP+FN）×100%，即正确判断阳性的概率。

特异性（specificity）= TN /（FP+TN）×100%，即正确判断阴性的概率。

阳性预测值（PPV）= TP /（TP+FP）×100%，即被正确预测的阳性样本与所有预测为阳性样本的比。

阴性预测值（NPV）= TN /（FN+TN）×100%，即被正确预测的阴性样本与所有预测为阴性样本的比。

AUC面积用于模型性能的判断

AUC值为ROC曲线所覆盖的区域面积，显AUC越大分类器分类效果越好。

AUC = 1，是完美分类器，采用这个预测模型时，能得出完美预测。绝大多数预测的场合，不存在完美分类器。

0.5 < AUC < 1，优于随机猜测。这个模型设置合适的阈值，能有预测价值。

AUC = 0.5，跟随机猜测一样（例：丢硬币），模型没有预测价值

AUC < 0.5，比随机猜测还差，但只要总是反预测结果而行，模型就优于随机猜测。