通常评价一个模型好坏的方式有很多种，准确率（Accuracy）就是其中之一，但是两类数据不均衡的时候，会导致准确率看起来不低，但实际模型的效果并不好，而ROC曲线（Receiver Operating Characteristic curve）即使在两类数据不均衡的时候也能很好地描述模型效果的好坏。
混淆矩阵
 |
表格中，
TP：正确的预测为positive的数量
FN：错误的预测为negtive的数量
FP：错误的预测为positive的数量
TN：正确的预测为negtive的数量
各个评判指标
 |
 |
灵敏度高，表示宁可错杀一千，不可放过一个阳性。
特异度高，表示宁可漏掉一些阳性样本，也要确保阴性预测准确率。
ROC
 |
 |
 |
做ROC曲线就是慢慢修改cutoff大小，计算FPR和TPR大小，从而绘制ROC曲线。
 |
当cutoff=0.92时，大于等于0.92的被认为是1，小于0.92的被认为是0，因此，FPR=0，TPR=1/8=0.125
当cutoff=0.9时，大于等于0.9的被认为是1，小于0.9的被认为是0，因此，FPR=0，TPR=2/8=0.25
当cutoff=0.88时，大于等于0.88的被认为是1，小于0.88的被认为是0，因此，FPR=0，TPR=3/8=0.375
当cutoff=0.85时，大于等于0.85的被认为是1，小于0.85的被认为是0，因此，FPR=1/12，TPR=3/8=0.375
最终得到的ROC曲线如下图所示
 |
参考网址：http://mlwiki.org/index.php/ROC_Analysis?tdsourcetag=s_pctim_aiomsg