今天我們來介紹ROC曲線
ROC曲線主要用來分析不平衡的分類模型。**當ROC曲線越靠近左上方，表示分類的效果越好。**在理想情況下，ROC曲線會位於左上角的對角線上，表示分類器可以完美地將陽性樣本與陰性樣本區分開來。

ROC曲線有點像我們昨天所提到的Confusion Matrix，他有分TPR及FPR。TPR與FPR是的關係是ROC曲線的核心觀念。TPR表True Positive Rate，表所有陽性樣本中被分類為陽性的比例；FPR表False Positive Rate，則是指所有陰性樣本中被分類為陽性的比例。當TPR輸出結果為1的時候，表所有的陽性都被分類正確，但所有的陰性都被分類錯了；TPR為0時，則代表所有的陰性都被分配正確但所有的陽性都被分配錯誤。

上面講的有點抽象，因此我舉個例子: 若我們以醫學領域為例，醫生可以利用ROC曲線來評估癌症篩查工具的準確性。在這種情況下，假設陽性樣本是患有癌症的患者，陰性樣本是沒有患癌症的患者。TPR是指所有患有癌症的患者中被分類為患有癌症的比例，FPR是指所有沒有患癌症的患者中被分類為患有癌症的比例。

如果一個癌症篩查工具的ROC曲線很靠近左上角，那麼這個工具可以很好地將患有癌症的患者與沒有患癌症的患者區分開來。也就是說，該工具可以準確地檢測出患有癌症的患者，同時也不會將沒有患癌症的患者誤診為患有癌症。