假设现在有一个二分类问题，先引入两个概念：
- 真正例率（TPR）：正例中预测为正例的比例
- 假正例率（FPR）：反例中预测为正例的比例
再假设样本数为6，现在有一个分类器1，它对样本的分类结果如下表（按预测值从大到小排序）
相关文章
- 04-06ROC曲线、KS曲线
- 04-06机器学习分类模型中的评价指标介绍：准确率、精确率、召回率、ROC曲线
- 04-06通过三个直观步骤理解ROC曲线
- 04-06ROC曲线的绘制
- 04-06R语言中生存分析模型与时间依赖性ROC曲线可视化
- 04-06原来ROC曲线更加健壮地反映模型的效果，看来还是比较关键的（就像逻辑回归，你总是希望模型让0/1分类的数据尽可能都向两端靠对不对，ROC就是反映这个好坏的指标）
- 04-06Mean Average Precision（mAP）,Precision，Recall，Accuracy，F1_score，PR曲线、ROC曲线，AUC值，决定系数R^2 的含义与计算
- 04-06ROC曲线
- 04-06python-VotingClassifier中的roc_auc,scikit-learn中的RandomForestClassifier(sklearn)
- 04-06R语言ROC曲线评价分类器的好坏