ROC是评估模型好坏的曲线，横轴是假正率（假阳性比例），纵轴是真正率（实际正类被正确识别的比例）。就像用不同标准判断考试卷对不对，把预测结果从高到低排好队，算出每个标准下的正确和错误情况。比如测试集1000条数据，500条是正类，模型调整阈值后，假正率从0%到100%，真正率可能从30%到80%，连起来就是ROC曲线。

为什么这么画这个曲线？因为模型预测值有高低之分，需要换不同标准看效果。比如分类器预测分数1到10分，1分定为正类时假正率可能0%，真正率30%；5分定为正类时假正率50%，真正率60%；10分定为正类时假正率100%，真正率80%。用100组数据连成曲线，陡峭部分说明模型调整阈值时真正率提升快。比如某模型在假正率40%时真正率75%，另一模型同假正率时真正率65%，说明前者更好。实际测试中，AUC值（曲线下面积）0.92比0.78高，说明前者识别正类能力更强。