ROC曲线(Receiver Operating Characteristic Curve)是利用Classification模型真正率(True Positive Rate)和假正率(False Positive Rate)作为坐标轴，图形化表示分类方法的准确率的高低。

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(TPR)TPR = TP /(TP

+ FN)正样本预测结果数/正样本实际数。在ROC曲线中，TPR作为Y轴

假正率(FPR)FPR = FP /(FP

+ TN)被预测为正的负样本结果数/负样本实际数。在ROC曲线中，ＦＰＲ作为Ｘ轴

关于ROC曲线的相关概念的解释，请参阅cowboy_wz的博客ROC曲线：http://blog.csdn.net/chl033/article/details/4507544

我在此主要做的事情是画出ROC曲线工程实现方面的一些解释。我们设计一个函数，此函数需要有一个模型预测值predict和数据标签值ground_truth作为输入参数。分为几步进行实现。

(１)统计数据标签值ground_truth(及y)中分类为0和分类为1的数据数目：

pos_num=sum(ground_truth==1);neg_num=sum(ground_truth);

(２)对利用模型求出的预测值predict由低到高进行排序;对应数据原来所在位置进行索引记录，用于重新排序ground_truth.利用函数sort实现，sort详情请查看help文档：

[pre,Index]=sort(predict); ground_truth=ground_truth(Index);

(３)对ground_truth和predict遍历i=1:n，n是测试集数目。其目的是随着predict中概率的增加，随着增加判断正负样本的阈值；也就是说取遍历到的predict值为阈值，大于阈值的假设预测为正样本(阈值右边)，小于阈值的假设预测为负样本(阈值左边)。

所以同时我们可得到真正TP 和假正FP值：TP=sum(ground_truth(i:n)==1);FP=sum(ground_truth(i:n)==0);

这时我们就可以求取TPR 和FPR了：TPR=TP/pos_num;  FPR=FP/neg_num;   把求取到的值保存起来(x(i),y(i)),因为这就是我们要在图上画的点。

(４)返回曲线与坐标轴间的面积ａｕｃ。我们的目的是测量数据的准确率，这个面积就是一个量度，ａｕｃ越大，准确率越高。

auc=auc+(y(i)+y(i-1))*(x(i-1)-x(i))/2；

实现ＲＯＣ曲线的代码如下：

%  predict       - 分类器对测试集的分类结果

%  ground_truth - 测试集的正确标签,这里只考虑二分类，即0和1

%  auc            - 返回ROC曲线的曲线下的面积

function auc = plot_roc( predict, ground_truth )

%初始点为(1.0, 1.0)

%计算出ground_truth中正样本的数目pos_num和负样本的数目neg_num

pos_num = sum(ground_truth==1);

neg_num = sum(ground_truth==0);

m=size(ground_truth,1);

[pre,Index]=sort(predict);

ground_truth=ground_truth(Index);

x=zeros(m+1,1);

y=zeros(m+1,1);

auc=0;

x(1)=1;y(1)=1;

for i=2:m

TP=sum(ground_truth(i:m)==1);FP=sum(ground_truth(i:m)==0);

x(i)=FP/neg_num;

y(i)=TP/pos_num;

auc=auc+(y(i)+y(i-1))*(x(i-1)-x(i))/2;

end;

x(m+1)=0;y(m+1)=0;

auc=auc+y(m)*x(m)/2;

plot(x,y);

end

具体实现结果：