昨天講完Confusion Matrix，理解了TP、FP、TN和FN的概念過後，今天要來講會利用到這些的另外一個評估指標—ROC Curve（Receiver Operating Characteristic Curve）。

以下是筆者之前做過有關COVID-19模型預測的ROC Curve。x軸代表False Positive Rate、y軸代表True Positive Rate，ROC Curve的結果如果越貼近左上點代表這個預測做得越好、越貼近右下角的點則代表這個預測做得越差。因此從ROC Curve去判斷，做得最好的是Normal的部分。

從ROC Curve可以延伸出一個概念—AUC（Area Under the Curve of ROC），也就是ROC Curve底下的面積。AUC若是越大，則代表ROC Curve越貼近左上角，因此預測做得越好；反之，AUC若是越小，則代表ROC Curve越貼近右下角，因此預測做得越差。

另外，我們可以大致從AUC的值來給定分類器的品質。

（一）AUC = 1：完美分類器
（二）0.5 < AUC < 1：優於隨機猜測
（三）AUC = 0.5：跟隨機猜測一樣，沒有價值的模型
（四）AUC < 0.5：做得比隨機猜測還差，但反過來講，只要選擇預測相反的結果就會優於隨機預測