在binary classification model中，ROC或AUC作爲一種常用的技術，有兩個優點：不隨真實情況的事件改變、不隨分類錯誤的相對成本改變，因此當future incidents、relative cost of classification errors或兩者都不穩定或未知時，ROC是很好的選擇。
AUC的值在0.5-1之間，0.5表示完全不確定，分類隨機，一般0.65-0.85之間表示模型較好。
建立binary classification model後，我們的目的是vary parameters to maximize ROC on a sample set with known outcome，這個set叫做training set。
一個計算ROC曲線面積的例子：
共有7個事件，對結果（0/1）預測，依次評分並從高到底排序。
從高於最高分到最低分依次爲閾值，計算false positive rate（false positives/total negative）和true positive rate（true postives/total positive）：
將false positive rate和true positive rate分別作爲X軸和Y軸座標，作圖：
計算曲線下面積爲0.917。
注意，每兩個點之間只有橫座標或縱座標移動，因爲每一次下移閾值時，閾值以上爲positive，要麼對要麼錯，是將false negative重新分類爲true positive或將true negative重新分類爲false positive。