概念
ROC曲线，也称受试者工作特征曲线，感受性曲线；
ROC曲线最初运用于军事上，当前ROC曲线在医学领域有着广泛的使用。医学上更多称为“阳性”（比如敌机）或“阴性”（比如飞鸟），对应着X轴即1-特异性也称为假阳性率（误报率），该值越小越好；Y轴敏感度也称为真阳性率（敏感度），该值越大越好。
| 名词 | 说明 |
|---|---|
| 特异性 | 阴性人群中，检测出阴性的机率。也称真阴性率。 |
| 敏感度 | 阳性人群中，检测出阳性的机率。也称真阳性率。（敏感度） |
| 假阴性率 | 阳性人群中，检测为阴性的机率，也称假阴性率。 |
| ROC曲线 | 以1-特异性（误报率）为X轴，敏感度为Y轴，绘制的曲线。 |
| AUC | ROC曲线下的面积，表示预测准确率。越大越好。 |
AUC意义
ROC曲线是以1 - 特异性即误报率为X轴，以特异性（敏感度）作为Y轴而建立的拆线图。ROC曲线以下的面积值代表着预测的准确率情况，称其为AUC值。显然，AUC越大，意味着预测准确率越高，反之说明预测准确率越低。AUC值介于0到1之间，关于AUC值的判断说明如下：
AUC<0.5：不符合实际情况, 预测诊断比随机性猜测还差，实际情况中不应该出现；
AUC=0.5：说明完全无预测诊断价值，预测准确率和猜测效果一样；
0.5< AUC <0.7：预测诊断价值很低，此种情况相对较常见；
0.7<=AUC<0.9：预测诊断价值高，此种情况较常见；
AUC>=0.9：说明预测诊断价值高，此种情况较好；
AUC = 1，是完美预测没有瑕疵，绝大多数情况下，不存在完美的预测诊断。
参考：ROC曲线 http://spssau.com/front/spssau/helps/visualization/roc.html
全面了解ROC曲线 https://www.plob.org/article/12476.html
ROC曲线 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)