roc：专业术语称为“受试者工作特征”（Receiver Operating Characteristic)曲线；它是真正例与假正例比值；首先后面两字“正例”就代表预测结果全为正值，前面的第一个字就代表预测是否准确，有预测正确的，也有预测错误的；
以股票预测为例：比如说预测hs300第二天上涨的股票，预测了某100支股票要上涨，而实际上涨了200，而真正预测准确的只80只；而下跌的股票有100，将下跌的股票预测为上涨的有20只；所以真正例率为40%，而假例率为20%；这样就得到了一个点（0.2，04）；
为什么要提出这个概念呢？
这是预测结果进行更细的分析，可以满足不同的目的需求；以我为例，极其厌恶亏损，就算不赚钱也可以，所以我希望一个学习器预测的假正例率为0，而真正例率低点都可以，比如说10%；换句话说，该学习器不能预测出所有上涨的股票，但预测出来的股票就一定上涨；那这样的学习器也是具有极大意义的；远好于假正例率20%，真正例率50%，预测上涨中股票有部分是会下跌的；
一个学习器对应一条roc曲线怎么理解，一个学习器对固定样本的输出结果难道会变化吗？
上面隐含了一个假设，即分类阈值为0.5，如果学习器对2m个样本进行预测，输出概率值，并按概率值进行排序，比如说0.9,0.8,0.7…….0.01共2m个预测概率值；如果设置阈值为0.9，即大于0.9分正例，其他为反例；预测分类结果全为反例；然后计算真正例率与假正例率，得到一个点；然后将阈值设为0.8，只有一个正例，其他全部分反例，这样的一个结果就对应一个点，以此类推，阈值设为0.01时，只有一个反例，其他全为正例，这样的一个结果就对应一个点；总的来说，一个学习器之所以能画出一条曲线，是因为调节阈值就可以得到不同的分类结果，从而得到不同的点，所以就能得到一条曲线，该学习器的输出结果并不 会变化；