大家平时说的准确率和召回率经常被同时考虑，这个曲线就是画这两个指标的关系图。横轴是假正例率，纵轴是真正例率，每个点代表不同阈值下的判断结果。比如二分类模型，当阈值调高时，假正例率会降低但真正例率会上升，这时候点就会往左上方挪动。

为什么这样画坐标呢？因为大家想知道模型在不同判断标准下表现如何。比如AUC值0.8比0.6好，0.6比0.4强，就像跑马拉松的人既快又稳。假设有A、B两个模型，A在不同阈值下都集中在左上角，B的曲线在中间绕圈，说明A无论怎么调参数都能更好平衡准确率和召回率。比如医疗诊断中，AUC0.9的模型比0.7的更可靠，因为前者在漏诊和误诊之间找到更优解，就像老中医既不把病人当外人，也不把假病人当亲人。数据上，AUC每提升0.1，意味着阳性预测值（准确率）和阴性预测值（召回率）都能提高5%-10%，这在实际应用中就是少走弯路多救命。