---
title: "ROC 曲線（接收者操作特性曲線）（ROC Curve）"
slug: roc-curve
language: zh-TW
source: https://aiterms.tw/terms/roc-curve
updated_at: 2026-06-22
tags: [模型評估, AUC, 分類模型, 混淆矩陣, 閾值選擇, 信用評分]
ipas_term: false
---

# ROC 曲線（接收者操作特性曲線）（ROC Curve）

透過改變分類閾值，以真陽性率（召回率）為縱軸、假陽性率為橫軸繪製的曲線，用於評估二元分類模型在各閾值下的辨別能力。

## 完整說明

ROC 曲線（Receiver Operating Characteristic Curve）是評估二元分類模型性能的視覺化工具，透過在 0 到 1 之間移動決策閾值，記錄每個閾值對應的真陽性率（TPR）和假陽性率（FPR），並以 FPR 為橫軸、TPR 為縱軸繪製曲線。曲線下面積（AUC）是常用的彙總指標，範圍 0.5（隨機猜測）至 1.0（完美分類），數值越高代表模型的分辨能力越強。

## 常見問題

### AUC 0.85 的模型和 AUC 0.90 的模型，實際上差別大嗎？

AUC 差 0.05 在統計上是否顯著，取決於樣本量和具體的業務情境。在統計意義上，通常需要用 DeLong 方法或 bootstrap 計算兩個 AUC 的信賴區間和顯著性差異。在實際業務中，即使 AUC 差距不大，在特定操作閾值下的 TPR 或 FPR 差距可能相當明顯。建議同時比較兩個模型在業務關注的 FPR 範圍內的 TPR 差異，而不是單純比較 AUC 數字。

### ROC 曲線和 KS 曲線有什麼關係？

KS（Kolmogorov-Smirnov）統計量在模型評估中定義為：在所有閾值下，TPR 與 FPR 之差的最大值（KS = max(TPR - FPR)）。KS 曲線通常呈現累積分佈函數的形式，分別畫出正類和負類的累積分佈，KS 值為兩條曲線的最大垂直距離。KS 值越高（一般要求 ≥ 0.2 才有一定辨別力），代表模型對正負類的分離能力越強。KS 和 AUC 密切相關，均衡量同一模型的辨別力，但 KS 強調最佳操作點，AUC 強調整體辨別能力。

### 在類別不平衡的情況下，為什麼 ROC 曲線可能有誤導性？

在極端類別不平衡場景（如詐欺偵測，正類佔 0.1%），FPR = FP / (FP + TN) 的分母非常大，即使有大量的 FP（誤報），FPR 的絕對值仍然很低，使得 ROC 曲線看起來很優秀（AUC 高）。但實際上模型的 Precision 可能極低，意思是模型每次發出警報時，大多數都是誤報。這種情況下，PR 曲線（Precision-Recall Curve）更能反映模型在正類上的真實表現，因為它直接關注 TP 相對於全部正類樣本和全部正類預測的比例。

---

來源：https://aiterms.tw/terms/roc-curve
快查頁：https://aiterms.tw/terms/roc-curve
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-roc-curve