ROC（Receiver Operator Characteristic Curve，受试者工作特征曲线）曲线
ROC分析的是结局变量是二元分类模型，也就是输出结果只有两种类别的模型（也可以延拓到生存类模型）。
ROC是二分类模型的评价工具之一，ROC曲线是以FPR（False Positive Rate，假阳性率）为横坐标，TPR（True Positive Rate，真阳性率）为纵坐标，绘制的曲线。
这里简要概述几个指标的定义，包括TP，FP，TN，FN，TPR，FPR，TNR，FNR，Sensitivity，Specificity。
阳性 (P, positive)
阴性 (N, Negative)
真阳性 (TP, true positive)，预测的阳性为真阳性
真阴性 (TN, true negative)，预测的阴性为真阴性
伪阳性 (FP, false positive)，预测的阳性为假阳性，又称第一型错误
伪阴性 (FN, false negative)，预测的阴性为假阴性，又称第二型错误
真阳性率 (TPR, true positive rate)，又称敏感度(sensitivity)，TPR = TP / P = TP / (TP+FN)
伪阳性率(FPR, false positive rate)，FPR = FP / N = FP / (FP + TN)
真阴性率 (TNR, true negative rate)，又称特意度(specificity)，TNR = TN / N = TN / (TN+FP)
可见，FPR=1-specificity
准确度(ACC, accuracy)，ACC = (TP + TN) / (P + N)，即：(真阳性+真阴性) / 总样本数
阳性预测值 (PPV)，PPV = TP / (TP + FP)
阴性预测值 (NPV)，NPV = TN / (TN + FN)
假发现率 (FDR)，FDR = FP / (FP + TP)
其他可参考：https://wap.sciencenet.cn/blog-3428464-1248658.html?mobile=1
ROC曲线中重要的一个指标是AUC（Area Under Curve，曲线下面积），常用于衡量模型预测的好坏。
