特别注意区别：
（1）P-R曲线是分别将查准率Precision（精确率）作为纵坐标，查全率Recall（召回率）作为横坐标作的图。
（2）ROC曲线、AUC面积、Gini系数、KS值 都是基于真阳率TPR（又叫查全率、召回率、捕获率、命中率）和假阳率FPR（误诊率）两个重要的指标得来的。其中AUC面积、Gini系数是直接在ROC曲线基础上进一步得到的。
一、ROC曲线
定义：
是指受试者工作特征曲线/接收器操作特性曲线（receiver operating characteristic curve），是反应敏感性和特异性连续变量的综合指标，利用构图法揭示敏感性和 特异性的相互关系，它通过将连续变量设定出多个不同的临界值（阈值），从而计算出一系列敏感性和特异性，再以敏感性（命中率）为纵坐标，特异性（误诊率）为横坐标绘制成曲线，曲线下的面积（AUC）越大，诊断准确性越高。最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。
性质：
（1）在同一个ROC曲线中，靠近坐标图最左上角的点阈值取值为命中率最高，误诊率最低的临界值。
（2）对于多个ROC曲线来说，和P-R曲线图形相似，如果一条ROC曲线完全包裹另一条，则外面曲线对应模型更优。
（3）当两条ROC曲线发生交叉，谁的性能更优就难以判定了，此时要根据两条ROC曲线下的面积大小比较判断，即AUC面积大者相对更优。
下面归纳一下怎么得来的。对于一个二分问题来说，会出现以下四种情况（混淆矩阵）：
| 预测 | ||||
| 1 | 0 | 合计 | ||
| 实际 | 1 | True Positive（TP）真阳 | False Negative（FN）假阴 | Actual Positive（TP+FN） |
| 0 | False Positive（FP）假阳 | True Negative（TN）真阴 | Actual Negative（FP+TN） | |
| 合计 | Predicted Positive（TP+FP) | Predicted Negative(FN+TN) | TP+FP+FN+TN | |
先把基本定义讲清楚：
TP(True Positive): 预测为1，真实为1，正例辨出——>真阳性
TN(True Negative):预测为0，真实为0，负例辨出——>真阴性
FN(False Negative): 预测为0，真实为1，正例遗漏——>假阴性
FP(False Positive): 预测为1，真实为0，负例遗漏——>假阳性
再看重要指标：
准确率 =(TP+TN) /P+N =被正确分类样本数/总样本数
查准率 /响应率 Precision = TP /（TP+FP）
查全率 /召回率/捕获率/命中率 Recall =TP /（TP+FN） ——>真阳率 TPR
误诊率 = FP /（FP+TN）——>假阳率 FPR
以上值得注意的是：所有预测为1阳性的样本 =召回+误诊
那么，以命中率（TPR）作为纵坐标，误诊率（FPR）作为横坐标，得到ROC曲线：
二、AUC面积（最重要）
AUC被定义为ROC曲线下与坐标轴围成的面积。
由于ROC曲线的定义，AUC的值不会大于1。
同时，ROC曲线一般在y=x曲线上方，所以AUC的取值范围一般在（0.5~1）。
意义：一般AUC越接近于1，表示模型整体效果越好。
三、KS值
KS（Kolmogorov-Smirnov）值定义为TPR与FPR的差的最大值。
KS值 =max(TPR−FPR)
应用：
一般，希望模型有较大的KS值，意味着模型有较强的区分能力。但是也不是越大越好，如果KS值超过0.75，往往表示模型有异常。
KS值对应的模型预测概率即最优阈值，选择此预测概率值作为0、1分类的分界线，可使模型取得最优分类效果。
意义：
（1）KS值<0.2 ，一般认为模型区分能力较弱；
（2）KS值在[0.2 ,0.3]之间模型有一定区分能力；商业实践中能在这个区间就挺不错了。
（3）KS值在[0.3 ,0.5]之间，模型具有较强的区分能力。
四、Gini系数
Gini系数指ROC曲线与y=x（红线）围成的面积和中线之上的面积的（0.5）比例。AUC和Gini系数的换算关系为：
Gini系数 =2*AUC -1
【参考】