ROC曲线，全称为ReceiverOperatingCharacteristicCurve，即接收机工作特征曲线，最初应用于通讯学领域。在机器学习和统计学中，ROC曲线用于评估二分类问题的分类器性能，特别是在评估诊断测试的准确性方面非常有用。ROC曲线的意义主要包括以下几点：
1、ROC曲线上的每一点都代表某一分界值的特异性和灵敏度，由一系列的分界值或决定阈构成ROC曲线。
2、理想的ROC曲线图是真阳性率为1.0或100%，假阳性率是0或特异性为100%。这意味着分类器能够完美地区分正例和负例。
3、当ROC曲线图呈45度对角线时，不能鉴别出真、假阳性率。这表明分类器的性能与随机猜测相当。
4、ROC曲线越向左上偏，曲线下面积越大，其识别能力也就越高，试验的准确性就越高。这表明分类器能够更好地区分正例和负例。
