ROC曲线（接收器操作特征曲线）是评估机器学习模型性能的重要工具。它们最常用于二进制分类问题 - 那些有两个不同的输出类别。ROC曲线显示了模型的真正阳性率（TPR）与假阳性率（FPR）之间的关系。TPR是分类器预测“积极”的“正”的速率。FPR是分类器预测“积极”的速率，以用于实际上“消极”的观察结果。完美的分类器将具有1个TPR和0的FPR 0。
您可以计算MATLAB中的ROC曲线®使用灌注功能从统计和机器学习工具箱™。此外，分类学习者应用程序会生成ROC曲线，以帮助您评估模型性能。该应用程序允许您指定不同的类来绘图，因此您可以查看Roc曲线对于具有两个以上的多种输出类的多种类分类问题。
Roc曲线如何工作
大多数用于二进制分类的机器学习模型不会在进行预测时输出1或0。相反，它们在范围内的某处输出连续值[0,1]。然后在某个阈值（例如0.5）处的值（例如0.5）被分类为1，并且低于该阈值的值被分类为0. ROC曲线上的点表示用于不同阈值的FPR和TPR。
所选阈值可以是在范围[0,1]的任何位置，并且产生的分类将根据该阈值的值而改变。例如，如果将阈值设置为0，则模型将始终预测1（在0或高于0的内容被分类为1），导致TPR为1和1.在ROC的另一端的TPR曲线，如果阈值设置为1，则模型将始终预测0（以下内容分为0），导致TPR为0和FPR为0。
在评估分类模型的性能时，您最感兴趣的是这些极端情况之间发生的事情。通常，ROC曲线的“向上和向左”越多，分类器越好。
ROC曲线通常使用交叉验证评估模型对验证或测试数据的性能。
利用曲线曲线计算灌注for（从左到右）一个完美的分类器，典型的分类器和一个比随机猜测更好的分类器。
