场景问题描述：
二值分类器（Ｂｉｎａｒｙ Ｃｌａｓｓｉｆｉｅｒ）是机器学校领域中最常见也是应用最广泛的分类器。评价二值分类器的指标很多，比如ｐｒｅｃｉｓｉｏｎ，ｒｅｃａｌｌ，Ｆ１ ｓｃｏｒｅ Ｐ－Ｒ曲线等。但这些指标或多或少只能反映模型在某一方面的性能。相比而言，ＲＯＣ曲线则有更多的优点，经常作为评估二值分类器最重要的指标之一。
什么是ＲＯＣ曲线？
ＲＯＣ曲线是Ｒｅｃｅｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｉｓｔｉｃ ｃｕｒｖｅ的简称，中文名称为“受试者工作特征曲线”。
ＲＯＣ曲线的横坐标为假阳性率ＦＰＲ，纵坐标为真阳性率ＴＰＲ。
ＦＰＲ＝ＦＰ／Ｎ ＴＰＲ＝ＴＰ／Ｐ
Ｐ是真实的正样本数量，Ｎ是真实的负样本数量，ＴＰ是Ｐ个正样本中被分类器预测为正样本的个数，ＦＰ是Ｎ个负样本中被分类器预测为正样本的个数。
例子：假如有１０位疑似癌症患者，其３人很不幸确实是患了Ｐ＝３，另外７人不是Ｎ＝７ 。医院对１０位做出了诊断，针对３位癌症患者，其中２位确实是患者ＴＰ＝２，。那么真阳性率ＴＰ／Ｐ＝２／３。对于７位不是患者来说有一个误诊为那么ＦＰ＝１，那么假阳性率是ＦＰ／Ｎ＝１／７。对于该医院来说，这组分类结果就对应ＲＯＣ曲线上一个点（１／７，２／３）。
如何绘制ＲＯＣ曲线？
如何计算ＡＵＣ？
ＡＵＣ指的是ＲＯＣ曲线的面积大小，该值能够量化地反应基于ＲＯＣ曲线衡量出的模型性能。计算ＡＵＣ 值只需要对曲线做积分既可。由于ＲＯＸ一般都处于ｙ＝ｘ这条直线的上方，所以ＡＵＣ的取值一般在０.５－１之间。ＡＵＣ越大说明分类效果越好。
ＲＯＣ曲线相对Ｐ－Ｒ曲线有什么特点？
相对于Ｐ－Ｒ曲线，ＲＯＣ曲线有一个特点，当正负样本的分布发生变化时，ＲＯＣ曲线的形状能够基本保持不变，而Ｐ－Ｒ曲线的形状一般会发生激烈的变化。
若选择不同的测试集，Ｐ－Ｒ曲线变化非常大，而ＲＯＣ曲线则能够更加稳定的反应出模型本身的好坏。所以ＲＯＣ曲线适应场景更多，被广泛的应用于排序，推荐，广告等领域。如果研究者希望更多的看到模型在特定数据集上的表现，Ｐ－Ｒ曲线则能够更直观的反映其性能