ROC的介紹可以參考wiki
https://en.wikipedia.org/wiki/Receiver_operating_characteristic
偷一張wiki上的圖片：
AUC ROC的意思為ROC 曲線下方的面積（Area under the Curve of ROC）
ROC曲線：偽陽性率（FPR）定位為X軸，真陽性率（TPR）定義為Y軸。
TPR: 在所有實際為陽性的樣本中，被正確地判斷為陽性的比率 TRP = TP / (TP + FN)
<也稱為正樣本的召回率，或者覆蓋率>
FPR：在所有實際為陰性的樣本中，被錯誤地判斷為陽性的比率 FPR = FP / (FP + TN)
<也稱為負樣本的召回率，或者取偽率>
隨帶說明其他的指標：
准確率Accuracy = (TP + TN) / (TP + FP + FN + TN)
精確率Precision = TP / (TP + FP ) 也稱為命中率（正確預測到的正例數 / 預測正例總數）
給定一個二元分類模型和它的閾值，就能從所有樣本的真實值和預測值計算出一個坐標點。
用一個例子來說明如何計算這些坐標點：
y_true = [1, 1, 0, 0, 1]
y_score = [0.5, 0.6, 0.55, 0.4, 0.7 ]
現在我們選擇一個閾值0.55，如果大於0.55則歸為類別1，如果小於等於0.55則歸為類別0.則y_pred = [0, 1, 0, 0, 1]，TP=2 FN=1 TN=2 FP=0，可以計算得出TPR= 0.67，FPR=0.
如果使用Python的話， 可以直接調用sklearn.metrics.roc_curve來計算坐標點和閾值。fpr, tpr, thresholds = sklearn.metrics.roc_curve(y_true, y_score)。
此時ROC曲線如下：
如果曲線下的面積AUC，也可以使用sklearn中的方法計算：auc = metrics.auc(fpr,tpr)
至此，AUC的計算完成了，但是AUC這個模型評價指標應該如何理解呢？
在知乎上搜到的（https://www.zhihu.com/question/39840928?from=profile_question_card）：
AUC就是從所有1樣本中隨機選取一個樣本，從所有0樣本中隨機選取一個樣本，然后根據你的分類器對兩個隨機樣本進行預測，把1樣本預測為1的概率為p1, 把0樣本預測為1的概率為p0，p1>p0的概率就等於AUC。所有AUC反應的是分類器對樣本的排序能力。根據這個解釋，如果我們完全隨機的對樣本分類，那么AUC應該接近0.5。另外，AUC對樣本類別是否均衡並不敏感，這也是不均衡樣本通常用AUC評價分類器性能的一個原因。
以后慢慢了解了。