ROC曲線來歷：相傳在第二次世界大戰期間，雷達兵的任務之一就是死死地盯住雷達顯示器，觀察是否有敵機來襲。理論上講，只要有敵機來襲，雷達屏幕上就會出現相應的信號，但是實際上，有時如果有飛鳥出現在雷達掃描區域時，雷達屏幕上有時也會出現信號。這種情況令雷達兵煩惱不已：如果過于謹慎，凡是有信號就確定為敵機來襲，顯然會增加誤報風險；如果過于大膽，凡是信號都認為飛鳥，又會增加漏報的風險。為了研究每個雷達兵預報的準確性，雷達兵的管理者匯總了所有雷達兵的預報特點，特別是他們漏報和誤報的概率，并將這些概率畫到一個二維坐標里面。由于每個雷達兵的預報標準不同，且得到的敏感性和特異性的組合也不同。將這些雷達兵的預報性能進行匯總后，雷達兵管理員發現他們剛好在一條曲線上，這條曲線就是我們經常在醫學雜志上看見的ROC曲線。

ROC曲線（receiver operating characteristic curve）：即接受者操作特性曲線。我們根據學習器的預測結果，把閾值從0變到最大，隨著閾值的增大，學習器預測正例數越來越少，直到最后沒有一個樣本是正例。在這一過程中，每次計算出靈敏度和特異性，分別以它們為橫、縱坐標作圖，就得到了ROC曲線。

AUC面積（area under curve）：為ROC曲線下與坐標軸圍成的面積，這個面積數值 ≤ 1。由于ROC曲線一般都處于y = x這條直線的上方，所以AUC的取值范圍在0.5和1之間。我們往往使用AUC值作為模型的評價標準是AUC值越大，對應的模型效果更好。

準確率（accuracy）=（TP+TN）/（TP+TN+FP+FN），即被預測正確的樣本與所有預測樣本的比。

靈敏度（sensitivity）= TP /（TP+FN）×100%，即正確判斷陽性的概率。

特異性（specificity）= TN /（FP+TN）×100%，即正確判斷陰性的概率。

陽性預測值（PPV）= TP /（TP+FP）×100%，即被正確預測的陽性樣本與所有預測為陽性樣本的比。

陰性預測值（NPV）= TN /（FN+TN）×100%，即被正確預測的陰性樣本與所有預測為陰性樣本的比。

AUC面積用于模型性能的判斷

AUC值為ROC曲線所覆蓋的區域面積，顯AUC越大分類器分類效果越好。

AUC = 1，是完美分類器，采用這個預測模型時，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。這個模型設置合適的閾值，能有預測價值。

AUC = 0.5，跟隨機猜測一樣（例：丟硬幣），模型沒有預測價值

AUC < 0.5，比隨機猜測還差，但只要總是反預測結果而行，模型就優于隨機猜測。