接受操作特性曲线

接受操作特性曲线（receiver operating characteristic curves），理学-统计学-生物、医药、卫生统计-临床试验的自适应性设计，在统计中，描述两分类判别问题中真阳性率（true positive rate;TPR）和假阳性率（false positive rate;FPR）在不同的阈值下发生相对变化的曲线。接受操作特性（ROC）曲线主要用于二分类器的评估，通过选择最优的模型或诊断，淘汰次优的模型或诊断来实现。在第二次世界大战中，ROC曲线是由电机工程师和雷达工程师创造出来的工具，用于侦察战场中的敌方目标，随后被心理学引入用于解释对刺激的感官检测。之后，ROC分析在过去几十年被广泛地应用于医学，放射学，生物统计学以及机器学习和数据挖掘领域。为了更好地理解ROC曲线，我们先考虑一个二分的分类问题。在二分问题中，实例被分为两类分别是阳性和阴性。分类模型会将实例映射到预测类中，结果会出现四种情况。如果一个实例为阳性，被预测成阳性即为真阳性（TP）；如果一个实例为阴性，被预测成阳性，称之假阳性（FP）；相应的，还有真阴性（TN）和假阴性（FN）。