ROC曲线通过展示不同阈值下真阳性率（True Positive Rate, TPR）与假阳性率（False Positive Rate, FPR）之间的关系来评估模型性能。具体来说，真阳性率是指实际为正类且被正确预测为正类的比例，而假阳性率则是指实际为负类却被错误地预测为正类的比例。
绘制ROC曲线时，横轴表示FPR，纵轴表示TPR。理想情况下，当一个分类器能够完美地区分正负样本时，其ROC曲线会从左下角垂直上升至右上角；而随机猜测的结果则表现为对角线上的点序列。因此，ROC曲线下面积（AUC, Area Under Curve）常被用来衡量分类器的整体表现——AUC值越接近1，说明分类器区分正负样本的能力越强。
值得注意的是，在实际应用中，选择合适的阈值对于平衡准确率和召回率至关重要。此外，由于ROC曲线不依赖于具体的类别分布比例，它特别适用于处理不平衡数据集的情况。
