ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。 其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。 ROC曲线下方的区域面积又被称为AUC值，是ROC曲线的数字摘要，取值范围一般为0.5~1。 使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰地说明哪个模型的效果更好，而作为一个数值，对应AUC值更大的模型预测效果更好。 通常，如果AUC大于0.8，我们认为这个分类器的性能是好的。 简单地说，ROC和AUC是用来评价模型预测性能的一种方法，尤其是在处理不平衡数据集的情况下非常有用。 参考链接： 机器学习之类别不平衡问题 (2) —— ROC和PR曲线 下图是一个ROC曲线的示例： 在这张图. ROC是个简单的短趋势性指标，名称叫变动速率。称其为短趋势性，是因为算法只截取了12个单位时间。而且该指标并不能反映趋势方向，只能反映趋势运行中的节奏变化，也就是趋势中的次级折返的频率和力度，并称其为变动速率。这是该指标名称的含义。 F1 上面我们介绍了精确度和召回率两个概念，但在实际建模过程中，这两个指标往往是此消彼长的，所以想要找到二者之间的一个 平衡点，我们就需要一个新的指标： F1分数。F1分数同时考虑了查准率和查全率，让二者同时达到最高，取一个平衡。 前面各位大神总结的都非常的好，也说一下自己的总结和理解。 东哥起飞：【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC ROC/AUC 作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。
通过一个例子来绘制一条ROC曲线？ ROC曲线的含义已经理解，但是不会画 对于ROC曲线的形成还是比较模糊，求好心人举个栗子，简单的，比如说有1000个样本 类别标记为正或负 通过一个二… 显示全部 关注者 38 被浏览 ROC曲线与横轴围成的面积大小称为学习器的AUC (Area Under ROC curve)，该值越接近于1，说明算法模型越好。 本文章将会使用两种数据集介绍如何对随机森林模型可视化ROC曲线，对模型效果进行分析。 首先导入会使用到的库或模块。 ROC曲线直观展示假阳性率（1-特异度）与真阳性率（敏感度）之间的关系情况。 可以明显的看出，text1的AUC值（ROC曲线下面积）明显大于text2的面积，说明text1的预测准确率明显高于text2的预测准确率。
OPEN
