ROC曲线
受试者工作特征曲线（Receiver Operating Characteristic curve），用于评估分类模型的性能，AUC值越大表示模型区分能力越强。
核心事实
时间轴 (近 90 天)
演示中，通过LASSO回归、SVM、随机森林和Boruta四种方法筛选特征基因，取交集得到5个交集特征基因；特征基因的ROC曲线AUC均大于0.7。
ROC曲线最早源于二战期间的雷达信号检测，后被引入机器学习领域
在正负样本不平衡时精确率-召回率曲线（PR Curve）比ROC曲线更具参考价值，护栏测试中有害样本通常远少于正常样本，因此PR曲线往往更合适
ROC曲线使用假阳性率FPR = FP / (FP + TN)作为横轴，当负样本数量极大时FPR会显得很低
降低一种错误的发生率往往会导致另一种错误的增加，这是ROC曲线上的权衡
全部知识事实 (10)
ROC曲线的AUC=1表示完美分类器，AUC=0.5等同于随机猜测
70%待验证当正负样本比例发生变化时，ROC曲线的形状能够基本保持不变，而PR曲线通常会出现较大波动
90%待验证ROC曲线最早起源于二战期间的信号检测理论（Signal Detection Theory），当时美国军方用它来分析雷达信号
90%待验证ROC曲线在20世纪90年代才被机器学习研究者广泛用于分类模型的性能评估
80%待验证在类别严重不平衡时，PR曲线比ROC曲线更能反映模型的真实性能
60%待验证ROC曲线最早源于二战期间的雷达信号检测，后被引入机器学习领域
50%待验证在正负样本不平衡时精确率-召回率曲线（PR Curve）比ROC曲线更具参考价值，护栏测试中有害样本通常远少于正常样本，因此PR曲线往往更合适
50%待验证ROC曲线使用假阳性率FPR = FP / (FP + TN)作为横轴，当负样本数量极大时FPR会显得很低
50%待验证降低一种错误的发生率往往会导致另一种错误的增加，这是ROC曲线上的权衡
50%待验证演示中，通过LASSO回归、SVM、随机森林和Boruta四种方法筛选特征基因，取交集得到5个交集特征基因；特征基因的ROC曲线AUC均大于0.7。
50%