在机器学习中模型进行预测时，会得到一下几个结果：
- 真阳性，TP，True Positive；
- 假阳性，FP，False Positive；
- 真阴性，TN，True Negative；
- 假阴性，FP，False Negative；
而通过TP，FP，TN，FN这几个值又可以间接地计算得到一些能够评价我们模型好坏的指标：
- 真阳性率/召回率(recall)/查全率/敏感度(sensitivity): TPR = TP/(TP+FN);
- 假阳率：FPR = FP/(FP+TN);
- 准确率：Accuracy = (TP+TN)/(TP+FP+TN+FN);
- 真阴性率/特异度（specificity）：Specificity = TN/(TN+FP) = 1-FPR ;
- 阳性预测值/Precision：PPV = TP/(TP+FP);
- 阴性预测值：NPV = TN/(TN+FN);
-
假发现率 FDR：FP/(FP+TP).
ROC曲线
接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）将假阳性率（FPR/(1-specificity)）作为X轴，真阳性率（TPR）作为Y轴，其中：
- 真阳性率（TPR）表示在所有实际为阳性的样本中，模型预测的阳性样本所占的比率：TPR = TP/(TP+FN)；
- 假阳性率（FPR/(1-specificity))表示在所有实际为阴性的样本中，模型错误预测为阳性样本所占的比率：FPR = FP/(FP+TN).
给定一个二元分类模型和它的阈值（通常是一个概率），就能从所有样本的真实值和预测值计算出一个坐标点（X=FPR，Y=TPR）坐标点。将同一个模型每个阈值的（FPR，TPR）坐标都画在ROC空间里，就成为特定模型的ROC曲线。
从 (0, 0) 到 (1,1) 的对角线将ROC空间划分为左上／右下两个区域，在这条线的以上的点代表了一个好的分类结果（胜过随机分类），而在这条线以下的点代表了差的分类结果（劣于随机分类）。
完美的预测点是一个在左上角的点，在ROC空间坐标（0,1）点，X=0代表着没有假阳性（所有阴性均正确预测），Y=1代表没有假阴性（所有阳性均正确预测），也就是说，不管分类器输出结果是阳性或阴性，都是100%正确。一个随机的预测会得到位于从 (0, 0) 到 (1, 1) 对角线（也叫无识别率线）上的一个点；最直观的随机预测的例子就是抛硬币。
ROC曲线的一些规律：
- 当阈值设定为最高时，亦即所有样本都被预测为阴性，没有样本被预测为阳性，此时在伪阳性率 FPR = FP / ( FP + TN ) 算式中的 FP = 0，所以 FPR = 0%。同时在真阳性率（TPR）算式中， TPR = TP / ( TP + FN ) 算式中的 TP = 0，所以 TPR = 0%。
→ 当阈值设定为最高时，必得出ROC座标系左下角的点 (0, 0)。- 当阈值设定为最低时，亦即所有样本都被预测为阳性，没有样本被预测为阴性，此时在伪阳性率FPR = FP / ( FP + TN ) 算式中的 TN = 0，所以 FPR = 100%。同时在真阳性率 TPR = TP / ( TP + FN ) 算式中的 FN = 0，所以 TPR=100%
→ 当阈值设定为最低时，必得出ROC座标系右上角的点 (1, 1)。- 因为TP、FP、TN、FN都是累积次数，TN和FN随着阈值调低而减少（或持平），TP和FP随着阈值调低而增加（或持平），所以FPR和TPR皆必随着阈值调低而增加（或持平）。
→ 随着阈值调低，ROC点 往右上（或右／或上）移动，或不动；但绝不会往左下(或左／或下)移动。
图片来自维基百科
曲线下面积（AUC）
在比较不同的分类模型时，可以将每个模型的ROC曲线都画出来，比较曲线下面积（即AUC）做为模型优劣的指标。
ROC曲线下方的面积（Area under the Curve of ROC (AUC ROC)），其意义是：
- 因为是在1x1方格里求面积，AUC必在0~1之间；
- 假设阈值以上是阳性，以下是阴性；
- 若随机抽取一个阳性样本和一个阴性样本，分类器正确判断阳性样本的值高于阴性样本的概率为AUC；
- 简单说，AUC值越大的分类器，正确率越高
更大白话的解释AUC的意义：
从所有1样本中随机选取一个样本， 从所有0样本中随机选取一个样本，然后根据你的分类器对两个随机样本进行预测，把1样本预测为1的概率为p1，把0样本预测为1的概率为p0，p1>p0的概率就等于AUC。所以AUC反应的是分类器对样本的排序能力。ROC AUC的数值与每个预测概率的数值大小无关，在乎的是每个预测概率的排序。假设我们按照概率从大到小排。如果根据你的预测结果，所有标签为1的样本都排在了标签为0的样本前面，那么你的ROC AUC就是1。
ROC AUC = 0.8的意思是说，随机挑选个标签为1的样本，它被排在随机的0样本的前面的概率是0.8。显然ROC AUC是0.5的话，就说明这个模型和随便猜没什么两样。
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(即将正样本预测为正样本的概率大于负样本预测为正样本的概率)，即能够更好的分类。
FROC曲线
FROC (Free-response ROC) 曲线常在图像识别任务中作为效果评估指标。
经典的ROC方法不能解决对一幅图像上多个异常进行评价的实际问题，70年代提出了无限制ROC的概念(free-response ROC;FROC)。FROC允许对每幅图像上的任意异常进行评价。
FROC曲线与之前的ROC只是横坐标的不同。横坐标是误报率（测试中所有不是实际结节预测成结节的个数/测试CT个数），纵坐标是召回率（测试所有CT数据中实际是结节的检测出来个数/测试所有CT数据中实际是结节个数）。
具体举个简单的例子：我们的测试集就两个ct序列：
第一个其中真结节2个，检测出的结节自信度列表[0.99,0.8,0.7,0.5,0.4,...](已经从大到小排列过了)，其中真结节是0.99和0.5对应的结节。
第二个其中真结节1个，检测出的结节自信度列表[0.9,0.8,0.7,0.6,0.5,...]其中真结节0.8对应的结节.
假设你把自信度阈值设置为0.90（这个值在计算时一般有一个等比列表），那么这时检测到了一个真结节，召回率是(1+0)/(2+1)=1/3，而误报率是(0+1)/(2)=1/2，（0+1）代表所有CT序列中误报结节数，（2）代表CT序列的个数。这可以画出FROC中的点（1/2,1/3）。
然后，你再把自信度阈值设置为0.80，那么这时检测到的还是二个真结节，召回率是(1+1)/(2+1)=2/3，而误报率是(1+1)/(2)=1，这可以画出FROC中的点（1,2/3）。
以此类推当你把自信度阈值设置为0.5时，那么这时检测到的就是三个真结节，召回率是3/3=1，而误报率是(6)/(2)=3，这可以画出FROC中的点（3,1）。
这样就能画出一条FROC曲线来了。
参考：
维基百科：ROC曲线
关于肺结节检测相关的FROC曲线和目标检测中Precision-Recall曲线,ROC曲线，mAP，AP，APs,APm,APl，AP0.5等的理解
如何理解机器学习和统计中的AUC？
AUC：直观理解AUC为何会对正负样本数分布不均匀情况鲁棒
