Las curvas ROC (característica operativa del receptor)构成了一个重要的评估机器学习模型的方法。一般来说，我们把问题放在clasificación的binaria上，具体化，把问题放在不同的分类上。这条曲线是通向relación的，它是一条正向的曲线，它是一条正向的曲线。我们把它描述成一个分类，然后把“阳性”描述成一个观察结果。请按照分类的方式来描述“正面”和“反面”。我们的标准是完美的，我们的标准是1，我们的标准是0。
Las curvas ROC se pueden calculator en MATLAB®脂肪酸的监狱perfcurve德统计和机器学习工具箱™．Además, la app分类学习者属曲线，可以对模型进行评估。这个应用程序允许特定的representación不同的类别，可以通过曲线的形式来解决clasificación多类别的问题，也可以通过más可以区分不同的类别。
Cómo funcionan las curvas ROC
La mayoría机器学习模型clasificación binaria no generan solo 1 o 0 cuacen predicción。在realidad, generan un valo继续一个区间[0,1]。我们的价值高于一个不定的本影(请说，0,5)，我们的分类为1，我们的价值高于一个不定的本影，我们的分类为0。曲线的la puntos ROC代表了FPR和TPR对不同伞。
本影的选择应该在区间[0,1]的基础上进行对比，在本影的价值上进行对比。因此，如果我们的本影是0(我们的等级是0)，我们的模型是predecirá 1，我们的结果是1和FPR 1。在曲线的另一个极值上，如果本影为1(即为0级)，则siempre predecirá 0，当结果为0或FPR为0时。
对clasificación的一个模型进行评估，它必须位于极端的中间。总的来说，我们可以在más " arriba y a la izquierda "的图解中看到曲线ROC，主要是será el分类ador。
这条曲线应符合标准validacion cruzada请对validación和prueba的模型进行评估。
曲线的ROC计算在funciónperfcurve(de izquierda a derecha): classificador perfecto, classificador típico y classificador equivalent a una suposición aleatoria。
