ROC曲線，全稱為ReceiverOperatingCharacteristicCurve，即接收機工作特征曲線，最初應用于通訊學領域。在機器學習和統計學中，ROC曲線用于評估二分類問題的分類器性能，特別是在評估診斷測試的準確性方面非常有用。ROC曲線的意義主要包括以下幾點：1、ROC曲線上的每一點都代表某一分界值的特異性和靈敏度，由一系列的分界值或決定閾構成ROC曲線。2、理想的ROC曲線圖是真陽性率為1.0或100%，假陽性率是0或特異性為100%。這意味著分類器能夠完美地區分正例和負例。3、當ROC曲線圖呈45度對角線時，不能鑒別出真、假陽性率。這表明分類器的性能與隨機猜測相當。4、ROC曲線越向左上偏，曲線下面積越大，其識別能力也就越高，試驗的準確性就越高。這表明分類器能夠更好地區分正例和負例。