将测试样本进行排序，“最可能”是正例的排在最前面，“最不可能”是正例的排在最后面。
分类过程就相当于在这个排序中以某个“截断点”（见图中阈值）将样本分为两部分，前一部分判作正例，后一部分判作反例。
我们根据学习器的预测结果对样例进行排序，按此顺序把逐个样本作为正例进行预测，每次计算出FPR， TPR，分别为横纵坐标作图，可得“ROC曲线”。
TPR 与 FPR
P表示“正”的，为预测为“好的”，即要从总体中挑出来的。
真正例率 TPR = TP / (TP + FN)
表示，预测为正例且真实情况为正例的，占所有真实情况中正例的比率。
假正例率 FPR = FP / （TN + FP）
表示的，预测为正例但真实情况为反例的，占所有真实情况中反例的比率。
TPR越大，则表示挑出的越有可能（是正确的）；FPR越大，则表示越不可能（在挑选过程中，再挑新的出来，即再挑认为是正确的出来，越有可能挑的是错误的）。
TPR 与 FPR 呈反相关，随着采样的继续（见上文：“按此顺序把逐个样本作为正例进行预测，每次计算出FPR， TPR”），越不可能是正例的被采样出来，TPR降低，FPR升高。