ROC曲线：分类模型性能评估利器

ROC（Receiver Operating Characteristic）曲线是一种用于评估分类模型性能的图形工具。它是根据真阳性率（True Positive Rate）和假阳性率（False Positive Rate）绘制的。

真阳性率指的是模型正确预测为正例的样本数量占实际正例样本数量的比例，即TPR = TP / (TP + FN)。

假阳性率指的是模型错误预测为正例的样本数量占实际负例样本数量的比例，即FPR = FP / (FP + TN)。

ROC曲线将不同阈值下的TPR和FPR绘制成曲线，横轴为FPR，纵轴为TPR。该曲线能够展示出模型在不同阈值下的性能表现。

ROC曲线的斜率越大，说明模型的性能越好。斜率为1的ROC曲线表示模型的性能非常好，能够完全正确地区分正例和负例样本；斜率为0.5的ROC曲线则表示模型的性能不如随机猜测。

通过计算ROC曲线下方的面积，即AUC（Area Under Curve），可以对模型的性能进行定量评估。AUC的取值范围在0.5到1之间，越接近1表示模型的性能越好，越接近0.5表示模型的性能越差。

ROC曲线和AUC主要用于比较不同模型的性能，选择性能最好的模型。同时，ROC曲线还能够根据实际应用中的需求，选择合适的阈值来平衡模型的预测准确率和召回率。