概念
ROC曲線，也稱受試者工作特徵曲線，感受性曲線；
ROC曲線最初運用於軍事上，當前ROC曲線在醫學領域有着廣泛的使用。醫學上更多稱爲“陽性”（比如敵機）或“陰性”（比如飛鳥），對應着X軸即1-特異性也稱爲假陽性率（誤報率），該值越小越好；Y軸敏感度也稱爲真陽性率（敏感度），該值越大越好。
| 名詞 | 說明 |
|---|---|
| 特異性 | 陰性人羣中，檢測出陰性的機率。也稱真陰性率。 |
| 敏感度 | 陽性人羣中，檢測出陽性的機率。也稱真陽性率。（敏感度） |
| 假陰性率 | 陽性人羣中，檢測爲陰性的機率，也稱假陰性率。 |
| ROC曲線 | 以1-特異性（誤報率）爲X軸，敏感度爲Y軸，繪製的曲線。 |
| AUC | ROC曲線下的面積，表示預測準確率。越大越好。 |
AUC意義
ROC曲線是以1 - 特異性即誤報率爲X軸，以特異性（敏感度）作爲Y軸而建立的拆線圖。ROC曲線以下的面積值代表着預測的準確率情況，稱其爲AUC值。顯然，AUC越大，意味着預測準確率越高，反之說明預測準確率越低。AUC值介於0到1之間，關於AUC值的判斷說明如下：
AUC<0.5：不符合實際情況, 預測診斷比隨機性猜測還差，實際情況中不應該出現；
AUC=0.5：說明完全無預測診斷價值，預測準確率和猜測效果一樣；
0.5< AUC <0.7：預測診斷價值很低，此種情況相對較常見；
0.7<=AUC<0.9：預測診斷價值高，此種情況較常見；
AUC>=0.9：說明預測診斷價值高，此種情況較好；
AUC = 1，是完美預測沒有瑕疵，絕大多數情況下，不存在完美的預測診斷。
參考：ROC曲線 http://spssau.com/front/spssau/helps/visualization/roc.html
全面瞭解ROC曲線 https://www.plob.org/article/12476.html
ROC曲線 https://wenku.baidu.com/view/9731f168804d2b160b4ec054.html
library("pROC")
df<- read.table("test.txt", header = T)
> head(df)
status percent
1 0 0
2 1 0
3 0 0
4 0 4
5 1 23.23
6 0 0
roc(df$status, df$percent)
roc(df$status, df$percent, plot=TRUE, print.thres=TRUE, print.auc=TRUE)