ROC曲线（Receiver Operating Characteristic Curve）是一种用于评估分类模型性能的工具，通过画出不同阈值下的真正率（True Positive Rate）和假正率（False Positive Rate）之间的关系来描述模型的预测准确度和误判率。
ROC曲线取值范围在[0,1]之间，曲线下面积（AUC）越大，说明模型的预测准确度越高；当AUC为1时，模型的预测准确度达到了最优。ROC曲线的原理是通过改变分类模型的阈值来改变其预测结果，从而评估模型的分类性能。
ROC曲线（Receiver Operating Characteristic curve）是一种衡量二分类模型分类性能的方法。它的原理是基于分类器的不同决策阈值下真正例率（true positive rate）与假正例率（false positive rate）之间的关系。
真正例率是指分类器正确地将正例分类为正例的比例，假正例率是指分类器错误地将负例分类为正例的比例。
ROC曲线将不同决策阈值下真正例率与假正例率的变化关系绘制在坐标轴上，可以直观地评估模型的分类能力和选择合适的分类阈值。
通常，ROC曲线下面积（AUC）越大，说明分类器的性能越好。
