1. ROC曲线
ROC（Receiver Operating Characteristic Curves）曲线是显示Classification模型真正率和假正率之间折中的一种图形化方法。
解读ROC图的一些概念定义:：
真正（True Positive , TP）被模型预测为正的正样本；
假负（False Negative , FN）被模型预测为负的正样本；
假正（False Positive , FP）被模型预测为正的负样本；
真负（True Negative , TN）被模型预测为负的负样本。
真正率（True Positive Rate , TPR）或灵敏度（sensitivity）
TPR = TP /（TP + FN） （正样本预测结果数 / 正样本实际数）
假负率（False Negative Rate , FNR）
FNR = FN /（TP + FN） （被预测为负的正样本结果数 / 正样本实际数 ）
假正率（False Positive Rate , FPR）
FPR = FP /（FP + TN） （被预测为正的负样本结果数 /负样本实际数）
真负率（True Negative Rate , TNR）或特指度（specificity）
TNR = TN /（TN + FP） （负样本预测结果数 / 负样本实际数）
目标属性的被选中的那个期望值称作是“正”（positive）
ROC曲线上几个关键点的解释：
( TPR=0,FPR=0 ) 把每个实例都预测为负类的模型
( TPR=1,FPR=1 ) 把每个实例都预测为正类的模型
( TPR=1,FPR=0 ) 理想模型
一个好的分类模型应该尽可能靠近图形的左上角，而一个随机猜测模型应位于连接点（TPR=0,FPR=0）和（TPR=1,FPR=1）的主对角线上。
ROC曲线下方的面积（Area Under the ROC Curve, AUC）提供了评价模型平均性能的另一种方法。如果模型是完美的，那么它的AUC = 1，如果模型是个简单的随机猜测模型，那么它的AUC = 0.5，如果一个模型好于另一个，则它的曲线下方面积相对较大
2. FROC曲线
FROC(Free-response ROC)曲线
经典的ROC方法不能解决对一幅图像上多个异常进行评价的实际问题，70年代提出了无限制ROC的概念(free-response ROC;FROC)。FROC允许对每幅图像上的任意异常进行评价。但目前没有可供广泛应用的软件，使临床应用受到限制。
以每个样本中的假阳性个数为x轴。y轴与ROC曲线是一样的（sensitivity）
3. SROC曲线
SROC（Summary ROC，集成ROC法）：对同一指标的多个不同试验进行Meta分析，可根据他们的优势比（odds ratio，OR）的权重，用一条ROC曲线表示出来，这条曲线叫做SROC，从中得到该组研究的特异度和灵敏度。
4. LROC曲线
LROC (local ROC)，应用ROC曲线进行比较时，往往都是比较整条曲线，但有时曲线的一部分并没有临床意义，或与整条曲线的临床意义相反，对整条曲线的评价带来不利影响。特别是两条曲线相交时，曲线下面积可能相等。比较整条曲线没有现实的临床意义，因此有必要对ROC曲线分段比较，这就是LROC (local ROC)。 McGlish和Jiang进行了这方面的研究。Jiang提出部分曲线下面积(PAI)作为评价某段曲线的指标。他认为在临床上要求敏感度较高的情况下，用PAI作为指标比评价整条曲线更有价值。
参考：
http://blog.sina.com.cn/s/blog_493b40e10100jps5.html
https://blog.csdn.net/goooooooooo/article/details/1380251