鲁达 ROC曲线（receiver operating characteristic curve）
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。
ROC 曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。传统的诊断试验评价方 法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。
ROC曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况，允许有中间状态，可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。因此，ROC曲线评价方法适用的范围更为广泛。
1. ROC曲线的在疾病诊断中的作用
a.ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。
b.选择最佳的诊断界限值。ROC曲线越靠近左上角,试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值，其假阳性和假阴性的总数最少。
c.两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时，可将各试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的ROC曲线下的面积(AUC)进行比较，哪一种试验的 AUC最大，则哪一种试验的诊断价值最佳。
2. 什么是AUC面积
AUC就是ROC曲线下的面积，衡量学习器优劣的一种性能指标。从定义可知，AUC可通过对ROC曲线下各部分的面积求和而得。
AUC是衡量二分类模型优劣的一种评价指标，表示预测的正例排在负例前面的概率。从Mann-Whitney U statistic的角度来解释，AUC就是从所有正样本中随机选择一个样本，从所有负样本中随机选择一个样本，然后根据对两个随机样本进行预测，把正样本预测为正例的概率，把负样本预测为正例的概率，>的概率就等于AUC。所以AUC反映的是分类器对样本的排序能力。根据这个解释，如果我们完全随机的对样本分类，那么AUC应该接近0.5。AUC的计算方法同时考虑了学习器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器做出合理的评价。AUC对样本类别是否均衡并不敏感，这也是不均衡样本通常用AUC评价学习器性能的一个原因。
3. 如何在SPSS中绘制ROC曲线
首先在分析列表选择ROC曲线图
输入检验变量和状态变量，如果检验变量输入多个，则会在图上显示每个检验变量的曲线。状态变量还需输入表示阳性组的数值。
在输出文件中可以看到ROC曲线
多指标联合分析时，只需将预测概率值加入到检验变量中即可。
对于输出结果如何解释和分析将在下一讲ROC结果详细分析中给出进一步的讲解哦！敬请关注~！
本期课程就到这里哦，感谢大家耐心观看！每日更新，敬请关注！
【杏花开生物医药统计】微信公众号（xhkdata）