---
title: "ROC 曲線（Receiver Operating Characteristic）"
slug: receiver-operating-characteristic
language: zh-TW
source: https://aiterms.tw/terms/receiver-operating-characteristic
updated_at: 2026-04-29
tags: [模型評估, 機器學習, 統計方法]
ipas_term: false
---

# ROC 曲線（Receiver Operating Characteristic）

> **你在調分類門檻時，會不會想看模型在不同標準下到底怎麼變化？**
>
> 你可以把 ROC 曲線想成把不同門檻下的真陽性率和假陽性率畫成一條線。
> 它讓你看到模型不是只在某一個點表現，而是在整個門檻範圍裡怎麼變動。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **ROC 曲線 vs PR 曲線**
> ROC 曲線看真陽性率和假陽性率的權衡。
> PR 曲線看精確率和召回率的權衡。
> 最關鍵的區別：一個看整體分類表現，一個更重少數正類表現。
>
> **ROC 曲線 vs ROC 曲線下面積**
> ROC 曲線是整條曲線。
> ROC 曲線下面積是把這條曲線的整體表現濃縮成一個值。
> 最關鍵的區別：一個是圖，一個是分數。
>
> **ROC 曲線 vs 準確率**
> 準確率只看某一個門檻下的結果。
> ROC 曲線會看很多門檻的變化。
> 最關鍵的區別：一個是單點，一個是整段變化。

### 記住這句就好
> 看不同門檻下，抓對和誤抓怎麼一起變。

### 實際案例
> **醫療篩檢模型**
> 你想知道模型把病人分數拉高或拉低時，真陽性率和假陽性率怎麼變。
> ROC 曲線可以幫你比較不同門檻下的整體走勢。
>
> **詐欺偵測**
> 風控系統常需要比較在不同警戒線下，誤攔和漏攔的平衡。
> 這時候看 ROC 曲線比只看單一準確率更完整。

### 算法與應用
> ROC 曲線的 X 軸是假陽性率，Y 軸是真陽性率，門檻越改，曲線上的點就會跟著變。
> 如果曲線越靠左上角，通常代表模型越能把正負類分開。
> 在類別不平衡不太嚴重的情況下，ROC 曲線很常拿來做模型比較。

### 情境判斷
> **Q1（直覺題）：** 你想比較模型在不同門檻下的分類表現，該看什麼？
>
> → 看 ROC 曲線，因為它就是把不同門檻的表現畫出來。
>
> **Q2（判斷題）：** 如果正類很少、資料非常不平衡，ROC 曲線一定是最好的評估方式嗎？
>
> → 不一定，這種情況常要一起看 PR 曲線，因為它更能反映少數正類的表現。

### 常見問題
> **Q：ROC 曲線上越靠左上角越好嗎？**
> 是，因為那代表假陽性率低、真陽性率高。
>
> **Q：ROC 曲線和 AUC 是一樣的嗎？**
> 不一樣，AUC 是 ROC 曲線下面積，是一個摘要分數。
>
> **Q：為什麼有些資料集比較偏好 PR 曲線？**
> 因為當正類很少時，ROC 可能看起來不錯，但 PR 更能看出模型有沒有真的抓到少數正例。

### 相關術語
> - **ROC 曲線下面積**：如果你想把曲線表現濃縮成一個數字，就看它。
> - **精確率**：和 ROC 曲線常一起比較，但它關心的是命中的純度。
> - **召回率**：和精確率一起看，能更完整理解分類品質。
> - **F1 分數**：當你在意精確率和召回率的平衡時很常用。
> - **準確率**：先分清楚它和 ROC 曲線不是同一種評估角度。

---

來源：https://aiterms.tw/terms/receiver-operating-characteristic
快查頁：https://aiterms.tw/terms/receiver-operating-characteristic
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-receiver-operating-characteristic