ROC（接收者特征）曲线是一种比较两个分类器模型的工具。
对每一份数据分类器都有一个预测概率。对于二分类问题，f(X)选择阈值t，当分类器预测的概率大于f(X)>=t的该份数据我们就预测为正，而其他数据就预测为负。
这里的真正例率和假正例率都是相对于实际的正负而言，真正例率（TPR）：实际为真预测为真的概率除以实际为真的概率。假正例率（FPR）：实际为负却预测为真的概率概率除以实际为负的概率。
绘制ROC曲线的过程，ROC的水平轴为假正例率，垂直轴为真正例率。将分类器对每条数据预测的概率按照从大到小的顺序排序，给定阈值t，当小于t就判断预测正确。一般取t=0.5
现在假设有10条数据，总共实际有5个真例，5个假例，分类器给每条数据的预测为真还是假都有一个概率，当这个概率大于0.5就预测为真，当整个概率小于0.5就预测为假，通过真实的正假和预测的正假，可以将该条数据的TP和FP确定。之后每预测一条数据，TP和FP都在上一条数据上累加。
对于第一条数据，实际为真，预测的概率为0.9,预测也为真，因此tp=1,fp=0,因此TPR=0.2,FPR=0，第二条数据，实际为真预测为概率为0.8,因此TP加1,TP=2,FP=0,第三条数据，实际为负，预测概率为0.7,预测错误，因此TP不变，而FP加1,从而TP=2,FP=1.这种方法它不能判断TN和FN，比如第10条数据，实际为假预测为假，应该TN=1，但是ROC只针对真正例和假正例判断，考虑主要是准确率。
最后可以得到一个锯齿状的曲线图，ROC曲线下的面积是模型准确率的度量。TPR会随着FPR的增加而增加，
当数据集很大的时候，ROC曲线会更加平滑。