前言
即使是二分分类任务，多数机器学习模型也并非输出0或1这样的整数，而是产生一个概率值（一般在0-1之间）。然后设置一个分类阈值（threshold），当概率值大于threshold，判作正例。否则，为反例。
另一种直观的方法是，根据这个产生的概率值，从大到小将样本排序。从中选择一点为截断点（cut point），截断点以上判作正例，截断点以下判作反例。
这个截断点的设置也有不同的策略，当更看重Precision查准率时，可以将截断点选在靠前靠上的位置。当更看重Recall时，就将截断点设置在靠后的位置。
排序质量的好坏（其实就是模型预测的概率值的好坏），将影响“期望泛化性能”的好坏。
ROC
ROC全称是“受试者工作特征”（Receiver Operating Characteristic）曲线。ROC曲线的横轴是真正例率(True Positive Rate,TPR)，纵轴是假正例率(False Positive Rate,FPR)。
两者的定义为：
可以看出，TP+FP为截断点以上的样本。当然，我们希望TPR越大，同时FPR越小。即坐标轴的左上角(1,0)位置为理想模型。
PS:把截断点从排序的样本序列0位置开始，一直到最后，每个位置求出TPR和FPR，得到坐标点，可画出ROC曲线
AUC
AUC是指ROC曲线以下的面积，即Area Under ROC Curve。
