💡一句話定義
ROC 曲線＝用不同分類閾值畫出「真陽率 TPR（=Recall）對偽陽率 FPR」的曲線，呈現模型在各種閾值下的取捨。AUC＝ROC 曲線下的面積（0~1）：可解讀為「隨機取一個正樣本與一個負樣本，模型把正樣本排在前面的機率」——0.5 等於亂猜、越接近 1 越好。
🎮互動：門檻與模型能力
拖「模型能力」看兩座分佈山峰分多開（越開越好分）；拖「判斷門檻」移動虛線看 TPR／FPR 怎麼此消彼長。右圖是掃過所有門檻連成的 ROC 曲線，紅點是目前門檻的位置。
🚀 互動體驗：ROC 與 AUC
拖動滑桿，觀察模型能力與判斷標準如何影響結果！
-
AUC (模型總分)
-
TPR (抓對壞人的比率)
-
FPR (誤抓好人的比率)
2.0
1.0
1. 真實分佈狀況
好人(負樣本)
壞人(正樣本)
2. ROC 曲線
🎯TPR 與 FPR 是什麼？
✅TPR 真陽率（=Recall）
所有「真正的壞人」裡，被抓對的比率。越高＝漏抓越少。
所有「真正的壞人」裡，被抓對的比率。越高＝漏抓越少。
⚠️FPR 偽陽率
所有「真正的好人」裡，被誤抓的比率。越低越好。
所有「真正的好人」裡，被誤抓的比率。越低越好。
門檻放寬 → 抓得多，TPR 升但 FPR 也升；門檻收緊 → 少誤抓，FPR 降但 TPR 也降。ROC 曲線就是把「各種門檻下的 (FPR, TPR)」全部連起來。
🧠AUC 到底在量什麼？
⚠️AUC 的陷阱：ROC-AUC vs PR-AUC
| 面向 | ROC-AUC | PR-AUC（Precision-Recall） |
|---|---|---|
| 畫什麼 | TPR 對 FPR | Precision 對 Recall |
| 不平衡時 | 可能過度樂觀（FPR 被大量負樣本稀釋） | 更敏感、更能反映真實表現 |
| 適合 | 正負大致平衡、同時在意兩類 | 正類稀少（詐欺、疾病）、主要在意抓好正類 |
重點：AUC 看的是排序／整體區分力，跟「選定某門檻後的準確率」不是同一回事；極度不平衡時，別只信 ROC-AUC。
✅自我檢測
Q1. ROC 曲線是什麼？
用不同分類閾值畫出「真陽率 TPR（=Recall）對偽陽率 FPR」的曲線，呈現模型在各種閾值下的取捨。
Q2. AUC 代表什麼？
ROC 曲線下面積（0~1）。可解讀為隨機取一正一負、模型把正樣本排在前面的機率；0.5 亂猜、越接近 1 越好。
Q3. AUC 的最大優點？
不受單一閾值影響、衡量整體區分與排序能力，方便比較不同模型。
Q4. ROC-AUC 和 PR-AUC 怎麼選？
正負大致平衡、同時在意兩類用 ROC-AUC；正類稀少、主要在意把正類抓好（詐欺、疾病）用 PR-AUC。
🎯重點整理
- ROC：掃過所有門檻的 TPR 對 FPR 曲線。
- AUC：曲線下面積，0.5 亂猜、1 完美。
- 意義：排序能力＝正樣本被排前面的機率。
- 優點：不受單一門檻影響、好比較模型。
- 陷阱：極不平衡時改看 PR-AUC。