ROC曲线是受试者工作特征曲线（Receiver Operating Characteristic Curve）的简称，用于评估二分类模型性能的一种重要工具。它通过绘制真正例率（True Positive Rate，TPR）与假正例率（False Positive Rate，FPR）之间的关系曲线，直观地展示了模型在不同阈值下的分类效果。真正例率是指正确预测为正类的比例，而假正例率是指错误预测为正类的负类样本比例。ROC曲线越接近左上角，模型性能越好，表明在较低的假正例率下能够获得较高的真正例率，从而有效区分正负样本。它广泛应用于医学诊断、机器学习、数据挖掘等领域，是衡量分类模型优劣的关键指标之一。