ROC（Receiver Operating Characteristic Curves）曲線是顯示Classification模型真正率和假正率之間折中的一種圖形化方法。
解讀ROC圖的一些概念定義:：
真正（True Positive , TP）被模型預測爲正的正樣本；
假負（False Negative , FN）被模型預測爲負的正樣本；
假正（False Positive , FP）被模型預測爲正的負樣本；
真負（True Negative , TN）被模型預測爲負的負樣本。
真正率（True Positive Rate , TPR）或靈敏度（sensitivity）
TPR = TP /（TP + FN） （正樣本預測結果數 / 正樣本實際數）
假負率（False Negative Rate , FNR）
FNR = FN /（TP + FN） （被預測爲負的正樣本結果數 / 正樣本實際數 ）
假正率（False Positive Rate , FPR）
FPR = FP /（FP + TN） （被預測爲正的負樣本結果數 /負樣本實際數）
真負率（True Negative Rate , TNR）或特指度（specificity）
TNR = TN /（TN + FP） （負樣本預測結果數 / 負樣本實際數）
目標屬性的被選中的那個期望值稱作是“正”（positive）
ROC曲線上幾個關鍵點的解釋：
( TPR=0,FPR=0 ) 把每個實例都預測爲負類的模型
( TPR=1,FPR=1 ) 把每個實例都預測爲正類的模型
( TPR=1,FPR=0 ) 理想模型
一個好的分類模型應該儘可能靠近圖形的左上角，而一個隨機猜測模型應位於連接點（TPR=0,FPR=0）和（TPR=1,FPR=1）的主對角線上。
ROC曲線下方的面積（Area Under the ROC Curve, AUC）提供了評價模型平均性能的另一種方法。如果模型是完美的，那麼它的AUC = 1，如果模型是個簡單的隨機猜測模型，那麼它的AUC = 0.5，如果一個模型好於另一個，則它的曲線下方面積相對較大
2. FROC曲線
FROC(Free-response ROC)曲線
經典的ROC方法不能解決對一幅圖像上多個異常進行評價的實際問題，70年代提出了無限制ROC的概念(free-response ROC;FROC)。FROC允許對每幅圖像上的任意異常進行評價。但目前沒有可供廣泛應用的軟件，使臨牀應用受到限制。
以每個樣本中的假陽性個數爲x軸。y軸與ROC曲線是一樣的（sensitivity）
3. SROC曲線
SROC（Summary ROC，集成ROC法）：對同一指標的多個不同試驗進行Meta分析，可根據他們的優勢比（odds ratio，OR）的權重，用一條ROC曲線表示出來，這條曲線叫做SROC，從中得到該組研究的特異度和靈敏度。
4. LROC曲線
LROC (local ROC)，應用ROC曲線進行比較時，往往都是比較整條曲線，但有時曲線的一部分並沒有臨牀意義，或與整條曲線的臨牀意義相反，對整條曲線的評價帶來不利影響。特別是兩條曲線相交時，曲線下面積可能相等。比較整條曲線沒有現實的臨牀意義，因此有必要對ROC曲線分段比較，這就是LROC (local ROC)。 McGlish和Jiang進行了這方面的研究。Jiang提出部分曲線下面積(PAI)作爲評價某段曲線的指標。他認爲在臨牀上要求敏感度較高的情況下，用PAI作爲指標比評價整條曲線更有價值。
參考：
http://blog.sina.com.cn/s/blog_493b40e10100jps5.html
https://blog.csdn.net/goooooooooo/article/details/1380251