ROC曲线和AUC（Area Under the Curve）常用于评估二分类模型的性能。它们主要用于衡量模型在不同阈值下的预测准确性和区分度。

    ROC曲线是一种图形化展示分类模型性能的曲线，横坐标表示1-特异度（即真负率），纵坐标表示灵敏度（即真正率）。ROC曲线上每个点代表一种不同的分类阈值，通过改变阈值，可以得到一系列的真正率和假正率。ROC曲线的形状能够反映出模型在不同阈值下的性能表现，曲线越靠近左上角，说明模型在真正率高同时假正率低的情况下表现越好。

    AUC是ROC曲线下的面积，取值范围在0到1之间，AUC越大则模型的性能越好。如果AUC=0.5，说明模型等同于随机猜测，AUC大于0.5则表示模型比随机猜测要好，AUC等于1则表示模型预测完全准确。

    通过ROC曲线和AUC可以直观地比较不同模型在分类任务上的表现，选择AUC较大的模型可以提高分类准确性。此外，ROC曲线和AUC也可以用于选择最佳阈值，即在灵敏度和特异度之间进行平衡，以满足特定的应用需求。