<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />ROC 曲线是一种“拟合优度”曲线，通常与分类响应一起使用。 一般来说，ROC 曲线用于提供用于对响应进行分类的模型的敏感性的可视化。 这个想法是，您希望最小化响应为误报的概率，而 ROC 曲线提供了模型对响应进行错误分类的概率的良好可视化。 一般来说，您希望看到一条曲线从原点向绘图区域的左上角非常快速且垂直地上升，然后“快速”向右弯曲，并在图表顶部平行于上部绘制一条长平线。图表区域的顶部。 常见的绘图约定是从图形原点到图表区域的右上角放置一条 45 度线。 这条 45 度线被解释为“抛硬币”线。 也就是说，如果 ROC 曲线离这条 45 度线不远，您不妨抛硬币来对二元响应进行分类。 因此，ROC 曲线轨迹距离 45 度线越远，模型就越灵敏（比抛硬币更好）。
ROC 曲线附带的一个常见统计数据是 AUC（曲线下面积），它给出“曲线下”空间的百分比，其想法是，如果模型完美地对所有响应进行分类，则该比例将为 100%。 AUC 是一种经常用于将一种模型与另一种模型进行比较的指标。 同样，想法是 AUC 较高的模型比 AUC 较低的模型更敏感。
每当出现分类响应时，您都会看到许多 JMP 和 JMP Pro 建模个性中广泛部署了 ROC 曲线。 因此对于名义逻辑回归、分区（决策树、Bootstrap Forest、Boosted Tree等）等平台， 广义回归、PLS，几乎只要有分类/名义响应……您就会看到在 JMP 或 JMP Pro 中绘制 ROC 曲线的选项。
JMP 文档提供有关 ROC 曲线的更多详细信息。
