ROC值就是分类模型判断正确率的曲线图啊！横轴是假阳性率，纵轴是真正例率，曲线越陡峭说明模型越准。比如roc(12,6)这个数据，12代表正确识别了12个正样本，6是错误识别了6个负样本。这时候准确率大概六成七对吧？对吧？这个值不算太高，毕竟六成七的正确率就像考试考了及格线，离满分还有段距离。

为什么说这个值不算好呢？首先看数据构成，总共有18个样本（12+6），正确率六成七。假设是医疗诊断场景，比如预测疾病，12个真阳性可能意味着12个患者被正确识别，但6个健康人被误诊。这时候医生可能会犹豫是否采用这个模型，毕竟误诊健康人可能引发恐慌。再算AUC值12/(12+6)=0.67，这个数值在常见模型中属于中等偏下。比如人脸识别的AUC通常在0.9以上，而垃圾邮件分类可能只要0.8就够用。所以这个六成七的准确率，在需要高精度的领域比如金融风控就不太够看。你发现没？数据少的时候波动还大，比如再错一个样本准确率就掉到五成八了。所以既要看数值，也要看具体场景需求啊！