使用roc和auc评价分类器，是因为它们能全面反映模型在不同阈值下的表现。比如准确率80%的模型，召回率可能只有50%，而AUC0.9的模型，两者都高，说明更可靠。ROC曲线连起来，横轴是假阳性，纵轴是假阴性，下面积越大越好，说明模型越准。AUC值接近1，说明模型能更好区分正负样本，接近0.5就像抛随机猜。

为什么选roc和auc呢？因为分类器好坏不能只看单一指标，比如准确率高可能因为数据不平衡。比如某模型在正负样本各1000个时，准确率90%但漏掉500个正样本，召回率只有50%。而AUC0.85的模型，在调整阈值后，召回率能到70%，假阳性也控制得更好。数据证明，AUC每提高0.1，误判率下降约15%。比如医疗诊断中，AUC0.92的模型比0.75的，把真患者漏掉的概率减少一半，同时假报警减少30%。所以用这两个指标，能更客观比较模型，避免单一数据误导。