数据分析学习之roc曲线

（一）ROC是什么？

     ROC 曲线指受试者工作特征曲线 (receiver operating characteristic curve), 是反映敏感性（正确判断病人概率）和特异性（正确判断非病人概率）连续变量的综合指标, 是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在 ROC 曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

（二）主要用途：

1最佳的诊断界限值，可以查出任意界限值对疾病的识别能力。

2比较两种或者两种以上不同诊断试验对疾病的识别诊断能力。（在对同一种疾病的两种或两种以上诊断方法进行比较时，可将各试验的 ROC 曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的 ROC 曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的 ROC 曲线下的面积 (AUC) 进行比较，哪一种试验的 AUC 最大，则哪一种试验的诊断价值最佳。）

（三）评价标准：

1在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

2一般来说，如果ROC是光滑的，那么基本可以判断没有太大的overfitting（过度拟合）

    其它类似功能：精确率、召回率、F1 值、AUC。