ROC曲线是FPR和TPR的点连成的线。
可以从上面的图看到，横轴是FPR, 纵轴是TPR （TPR = TP / (TP + FN)；FPR = FP / (FP + TN)）
ROC曲线如果想要理解的话，要关注四点一线：
1） (0,1)点：FPR==0，TPR==1 -->代表最好的一种情况，即所有的正例都被正确预测了，并且，没有负例被错认为正例。
2） (1,0)点：--> 代表最差的一种情况，所有的正例都看错了。
3） (0,0)点： --> 分类器将所有的样本都认为是负样本。
4） (1,1)点： --> 分类器将所有的样本都认为是正样本。
5） y=x曲线： --> 随机猜测出来可得这样一个曲线。
形象的理解一下：
1） 商品推荐：重在覆盖度，所以更加注重True Positive的高，这个越高越好。False Positive这个不那么低也可以接受。
2） 嫌犯预测：重在准确，更加注重False Positive的低。
PR曲线是准确率和召回率的点连成的线。
可以看到，左边的图是ROC曲线，右边的图是PR曲线。
ROC曲线，越左上凸越好; 因为这个ROC想要True Positive高，False Positive小。
PR曲线，越右上凸越好。 PR想要Recall和Precision同时高。
当样本分布极不均衡的时候，哪个曲线表现的更好呢？ 先看两个公式： 1） TPR = TP / (TP + FN)； 2） FPR = FP / (FP + TN) 在ROC曲线中，这两个指标构成了最后的曲线。 如果，样本极不均衡。这里假设，正样本非常少，负样本非常多。 如果是这样的话，则TN会非常大，将FPR拉低，最后的曲线会表现的非常好。 这时候，再看看PR曲线，也许这个曲线就没有表现的那么好。 所以，有的时候，光看一个曲线是不能完全覆盖所有的情况的。
如何画ROC曲线？