ROC曲线的来源：

在不同任务下，用来评价一个二值学习器泛化性能的好坏。

• TPRate的意义是所有真实类别为1的样本中，预测类别为1的比例。
• FPRate的意义是所有真是类别为0的样本中，预测类别为1的比例。 

ROC曲线越接近左上角，该分类器的性能越好。

为什么使用ROC曲线

为什么还要使用ROC和AUC呢？已经有那么多的衡量指标啦！因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。

在上图中，(a)和(c)为ROC曲线，(b)和(d)为Precision-Recall曲线。(a)和(b)展示的是分类其在原始测试集（正负样本分布平衡）的结果，(c)和(d)是将测试集中负样本的数量增加到原来的10倍后，分类器的结果。可以明显的看出，ROC曲线基本保持原貌，而Precision-Recall曲线则变化较大。

ROC曲线的绘图过程：

给定m+个正例和m-个反例，根据学习器预测结果对样例进行排序，然后把分类阈值设为最大，即把所有样例均预测为反例，此时真正例率和假正例率均为0，在坐标(0,0)处标记一个点。然后，将分类阈值依次设为每个样例的预测值，即依次将每个样例划分为正例。设前一个标记点坐标为(x,y)，当前若为真正例，则对应标记点的坐标为(x,y+1/m+)；（emmm就是纵轴真正例率up）当前若为假正例，则对应标记点的坐标(x+1/m-,y)，（emmm就是横轴假正例率up），然后用线段连接相邻点即得。

AUC的引出：

若两个学习器的ROC曲线发生交叉，则需要判别ROC曲线下的面积即AUC，来决定哪个model更好。（模型选择）

AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。

AUC计算：

AUC意味着什么？

首先AUC值是一个概率值，当你随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。当然，AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。 

参考：

如何理解机器学习和统计中的AUC？

ROC AUC的原理详解

《机器学习西瓜书》