ROC曲线就预测这个分类阈值能不能合理可靠
如上图 红色虚线就是一个预测的分类值
灵敏度是患糖尿病者中诊断出为糖尿病的概率（左上方）
特异度是未患病人中确实未确诊的人数（右下方）
右上方的格子表示假阳性率fp（false positive），本身没病(j属于没病的一类)，诊断为糖尿病的概率 误诊啦啦啦
假阳性率=fp/所有没病的人 =fp(false positive)/fp+tn（true negative） 绿色表示特异度
可以看到 如果这条红线从最低端开始往上走
灵敏度为1左上角方格（纵坐标）
特异度为0 假阳性率为1（横坐标）
即坐标为（1,1）
随着分类线逐渐上移
灵敏度（左上角）方格很长时间为1，而假阳性率（右上角方格）开始由大变小
接着灵敏度也下降，假阳性率也下降
最终会归结到（0,0）
因为TPR和FPR中分母都是固定值，
TPR的分母是真正阳性的病人
FPR的分母是真正阴性的人
所以都是分子表示大小 TP 与FP 约登指数越大即：灵敏度+特异度-1=灵敏度+（1-假阳性率）-1=灵敏度-假阳性率 最大
我们是希望灵敏度尽可能大 ，FP（假阳性率）尽可能小，那么线条越靠近左上角，这个分类越好
线条不好说明，所以就用面积更加直观一点，AUC曲线
标签：fp,ROC,特异,灵敏度,曲线,左上角,阳性率 From： https://www.cnblogs.com/Ixiaogao/p/18069201