特別注意區別：
（1）P-R曲線是分別將查准率Precision（精確率）作為縱坐標，查全率Recall（召回率）作為橫坐標作的圖。
（2）ROC曲線、AUC面積、Gini系數、KS值 都是基於真陽率TPR（又叫查全率、召回率、捕獲率、命中率）和假陽率FPR（誤診率）兩個重要的指標得來的。其中AUC面積、Gini系數是直接在ROC曲線基礎上進一步得到的。
一、ROC曲線
定義：
是指受試者工作特征曲線/接收器操作特性曲線（receiver operating characteristic curve），是反應敏感性和特異性連續變量的綜合指標，利用構圖法揭示敏感性和 特異性的相互關系，它通過將連續變量設定出多個不同的臨界值（閾值），從而計算出一系列敏感性和特異性，再以敏感性（命中率）為縱坐標，特異性（誤診率）為橫坐標繪制成曲線，曲線下的面積（AUC）越大，診斷准確性越高。最靠近坐標圖左上方的點為敏感性和特異性均較高的臨界值。
性質：
（1）在同一個ROC曲線中，靠近坐標圖最左上角的點閾值取值為命中率最高，誤診率最低的臨界值。
（2）對於多個ROC曲線來說，和P-R曲線圖形相似，如果一條ROC曲線完全包裹另一條，則外面曲線對應模型更優。
（3）當兩條ROC曲線發生交叉，誰的性能更優就難以判定了，此時要根據兩條ROC曲線下的面積大小比較判斷，即AUC面積大者相對更優。
下面歸納一下怎么得來的。對於一個二分問題來說，會出現以下四種情況（混淆矩陣）：
| 預測 | ||||
| 1 | 0 | 合計 | ||
| 實際 | 1 | True Positive（TP）真陽 | False Negative（FN）假陰 | Actual Positive（TP+FN） |
| 0 | False Positive（FP）假陽 | True Negative（TN）真陰 | Actual Negative（FP+TN） | |
| 合計 | Predicted Positive（TP+FP) | Predicted Negative(FN+TN) | TP+FP+FN+TN | |
先把基本定義講清楚：
TP(True Positive): 預測為1，真實為1，正例辨出——>真陽性
TN(True Negative):預測為0，真實為0，負例辨出——>真陰性
FN(False Negative): 預測為0，真實為1，正例遺漏——>假陰性
FP(False Positive): 預測為1，真實為0，負例遺漏——>假陽性
再看重要指標：
准確率 =(TP+TN) /P+N =被正確分類樣本數/總樣本數
查准率 /響應率 Precision = TP /（TP+FP）
查全率 /召回率/捕獲率/命中率 Recall =TP /（TP+FN） ——>真陽率 TPR
誤診率 = FP /（FP+TN）——>假陽率 FPR
以上值得注意的是：所有預測為1陽性的樣本 =召回+誤診
那么，以命中率（TPR）作為縱坐標，誤診率（FPR）作為橫坐標，得到ROC曲線：
二、AUC面積（最重要）
AUC被定義為ROC曲線下與坐標軸圍成的面積。
由於ROC曲線的定義，AUC的值不會大於1。
同時，ROC曲線一般在y=x曲線上方，所以AUC的取值范圍一般在（0.5~1）。
意義：一般AUC越接近於1，表示模型整體效果越好。
三、KS值
KS（Kolmogorov-Smirnov）值定義為TPR與FPR的差的最大值。
KS值 =max(TPR−FPR)
應用：
一般，希望模型有較大的KS值，意味着模型有較強的區分能力。但是也不是越大越好，如果KS值超過0.75，往往表示模型有異常。
KS值對應的模型預測概率即最優閾值，選擇此預測概率值作為0、1分類的分界線，可使模型取得最優分類效果。
意義：
（1）KS值<0.2 ，一般認為模型區分能力較弱；
（2）KS值在[0.2 ,0.3]之間模型有一定區分能力；商業實踐中能在這個區間就挺不錯了。
（3）KS值在[0.3 ,0.5]之間，模型具有較強的區分能力。
四、Gini系數
Gini系數指ROC曲線與y=x（紅線）圍成的面積和中線之上的面積的（0.5）比例。AUC和Gini系數的換算關系為：
Gini系數 =2*AUC -1
【參考】