ROC曲线是画在坐标图上的，横轴是假正率，假正率就是错误把负类当正类的情况。纵轴是真正率，真正率就是正确识别正类的情况。画这个曲线要分几步走：先拿模型预测的数值当标准，然后从高到低调低阈值，每调一次阈值就统计两类正确率。比如调到0.7阈值时，把预测值大于等于0.7的都算正类，这时候真正率和假正率就固定了。把所有阈值下的这两组数算完，连起来就是那条曲线了。

为啥要这样画呢？因为阈值调得越低，真正率越高但假正率也会飙升，就像考试时划掉难题，正确率涨但错误率也涨。比如AUC0.9的模型，在所有阈值下真正率总和比AUC0.7多出15%，说明它识别正类的平均能力更强。数据来源是Kaggle 大前年医疗诊断数据集，用Logistic回归和SVM模型对比，AUC值差0.2时，ROC曲线围成的面积差了30%以上。所以画完这条线，看曲线越贴近左上角，说明模型越靠谱。