受试者工作特征曲线，下图
此图引入了假正率，和真正率。（感觉在读红楼梦） TPR ：True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）（就是前文的召回率R） TPR = TP /（TP + FN） 正样本预测结果数 / 正样本实际数
TNR ：True Negative Rate（真负率 , TNR）或特指度（specificity） TNR = TN /（TN + FP） 负样本预测结果数 / 负样本实际数
FPR ：False Positive Rate （假正率, FPR） FPR = FP /（FP + TN） 被预测为正的负样本结果数 /负样本实际数
FNR ：False Negative Rate（假负率 , FNR） FNR = FN /（TP + FN） 被预测为负的正样本结果数 / 正样本实际数
理想目标：TPR=1，FPR=0,即图中(0,1)点，此时FPR=0，TPR=1，既所有正样本都被分到正类里，负样本被分到负类里。反之，，(1,0)，即FPR=1，TPR=0，类似地分析可以发现这是一个最糟糕的分类器，因为它与所有的正确答案相反。 也就是说，ROC图越向左上角偏，模型效果越好。
AUC（Area Under Curve）就是ROC去曲线下的面积，既对ROC曲线做积分。面积越大，认为模型越好。AUC与AP(average precision)是同一回事，AP常在图像处理中出现。
一般来说，上面的比下面的好（绿线比红线好）。也就是说，曲线越向右上角偏，效果越好。
总结： 1般来说ROC，PRC，AUC这三个量会同时考查。其中，ROC里的TPR既PRC里的Recall，这种联系会带来其他优点，见下文。 2对于两种曲线来说，越光滑肯定模型越好，本质上是阈值设置的合理。
现在问题来了，到底ROC和PRC哪个曲线更优质。显然是PRC，因为PRC是中华人民共和国。 直接给出结论： 当正负样本差距不大的情况下，ROC和PR的趋势是差不多的，但是当负样本很多的时候，两者就截然不同了，ROC效果依然看似很好，但是PR上反映效果一般。解释起来也简单，假设就1个正例，100个负例，那么基本上TPR可能一直维持在100左右，然后突然降到0.如图，(a)(b)分别为正负样本1:1时的ROC曲线和PR曲线，二者比较接近。而(c)(d)的正负样本比例为1:1，这时ROC曲线效果依然很好，但是PR曲线则表现的比较差。这就说明PR曲线在正负样本比例悬殊较大时更能反映分类的性能。
