ROC指标，即受试者操作特性曲线（Receiver Operating Characteristic curve，简称ROC曲线），是一种常用的二分类模型评估指标。ROC曲线是以假正例率（False Positive Rate, FPR）为横坐标，真正例率（True Positive Rate, TPR）为纵坐标所构成的曲线。在机器学习中，二分类问题可以通过设定一个阈值将样本分为正例和负例。而ROC曲线能够展示在不同阈值下，模型在正例和负例之间的权衡。其中，真正例率（TPR）也被称为灵敏度（Sensitivity）或召回率（Recall），代表模型正确分类为正例的样本占所有正例样本的比例；假正例率（FPR）代表模型错误将负例样本分类为正例的样本占所有负例样本的比例。ROC曲线的评估指标主要有两个：一是曲线下面积（Area Under Curve, AUC），通常被用来评估分类模型的性能，数值越大表示模型的性能越好；二是在选择一个阈值的情况下，根据ROC曲线计算的TPR和FPR可以帮助我们衡量模型在灵敏度与特异性之间的平衡。通过绘制ROC曲线，我们可以直观地观察到模型在正例和负例之间的权衡情况，帮助我们选择最佳的分类阈值，从而提高模型的分类性能。