受试者工作特征曲线 （receiver operatingcharacteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。接受者操作特性曲线就是以假阳性概率（False positive rate）为横轴，击中概率为纵轴所组成的坐标图，和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。
优点该方法简单、直观，通过图示可观察分析方法的准确性，并可用肉眼作出判断。ROC曲线将灵敏度与特异性以图示方法结合在一起，可准确反映某分析方法特异性和敏感性的关系，是试验准确性的综合代表。ROC曲线不固定分类界值，允许中间状态存在，利于使用者结合专业知识，权衡漏诊与误诊的影响，选择一更佳截断点作为诊断参考值。提供不同试验之间在共同标尺下的直观的比较，ROC曲线越凸越近左上角表明其诊断价值越大，利于不同指标间的比较。曲线下面积可评价诊断准确性。
The AUC value is equivalent to theprobability that a randomly chosen positive example is ranked higher than arandomly chosen negative example.可以说成ROC曲线下面的AUC面积越大说明其准确度高。下面就是今天做出的ROC曲线； 注意ROC曲线要包含你的深度学习模型所有的数据。以二分类为例，这里说的数据指的是：对于一幅图像属于相应类输出的可能性有多大，还有识别正确的类（注意）；
图片发自简书App
