An Introduction to ROC Analysis [T. Fawcett, 2005]
ROC
ROC是以FPR为X轴，以TPR为Y轴的曲线。表示的是模型的效果（由TPR表示）和损失（由FPR代表）的相对关系和取舍概况。
ROC特点
左下角的点(0,0)代表了分类器从来不做任何分类，既没有正例也没有反例，既没有正确的分类，也没有错误的分类；
右上角的点(1,1)代表了分类器无脑对样本分正例，所有的样本都被分为了正例；
右下角的点(1,0)代表了分类器无脑分反例；
左上角的点(0,1)代表了完美的分类器，全部分类正确，ROC所以越是靠近左上角，说明分类器的效果越好；
ROC的对角线代表了随机猜测的结果。
ROC优点
ROC对数据的分布情况不敏感，和P、R、F1等等指标用数值衡量不同，ROC使用的是“率”的概念，所以就对数值变化免疫了。
下图是样本分类发生大幅度变化时，ROC和P-R曲线的表现：
AUC
AUC曲线是指ROC曲线下的面积。
AUC是一个正负样本排序的概率值，具体来讲，是分类器将随机正例排序高于随机反例的概率
the AUC of a classifier is equivalent to the probability that the classifier will rank a randomly chosen positive instance higher than a randomly chosen negative instance
转播
