---
title: "接收者操作特徵曲線（ROC）"
slug: roc
language: zh-TW
source: https://aiterms.tw/terms/roc
updated_at: 2026-07-30
tags: [模型評估, 機器學習, 統計方法, AI基礎]
ipas_term: false
---

# 接收者操作特徵曲線（ROC）

接收者操作特徵曲線（Receiver Operating Characteristic Curve）是以偽陽性率為橫軸、真陽性率為縱軸，透過改變分類閾值所繪製的曲線，用於評估二元分類模型在不同閾值下的

## 完整說明

接收者操作特徵曲線（Receiver Operating Characteristic Curve，ROC）起源於二次世界大戰期間的雷達訊號分析，後被廣泛應用於機器學習模型評估。ROC 曲線的每個點代表特定分類閾值下的（偽陽性率, 真陽性率）組合：真陽性率（TPR，即召回率）越高越好，偽陽性率（FPR）越低越好，因此曲線越靠近左上角代表模型越優秀。常用的彙總指標 AUC（Area Under Curve）表示曲線下面積，值域 0 到 1，AUC = 0.5 代表隨機猜測，AUC = 1 代表完美分類。ROC 曲線的優點在於對類別不均衡（Class Imbalance）問題不敏感，適合比較不同模

## 常見問題

### ROC 曲線和 PR 曲線（Precision-Recall Curve）在什麼情況下各自更適合使用？

選擇標準主要取決於資料的類別分布以及業務關注點。ROC 曲線在類別相對均衡的資料集中表現穩定，且不受類別比例改變影響，適合模型整體排序能力的比較，以及需要在不同 FPR 和 TPR 之間做權衡的場景。PR 曲線則在正負例嚴重不均衡時更具辨別力：當正例稀少（如疾病篩檢、詐欺偵測），ROC-AUC 往往偏高而掩蓋模型在正例識別上的缺陷，此時 PR-AUC 能更真實反映模型找出正例的能力。在實務上建議同時繪製兩種曲線，用 ROC 評估整體區分能力，用 PR 評估正例識別效能。

### 如何選擇 ROC 曲線上的最佳分類閾值？

沒有普適的「最佳閾值」，因為最優閾值取決於業務對 FP 和 FN 的相對代價。常見方法有三種：（1）約登指數（Youden's Index）：計算 TPR - FPR，取最大值對應的閾值，平衡靈敏度與特異度；（2）成本敏感閾值：若已知 FP 與 FN 的業務代價比，可在 ROC 曲線上找與等誤差成本線相切的點；（3）業務約束法：先設定一個可接受的最大 FPR（如「誤報率不超過 5%」），再選擇該 FPR 下最高 TPR 對應的閾值。在醫療診斷中通常優先最大化 TPR（寧可誤診也不漏診），在廣告詐欺偵測中則傾向降低 FPR。

### ROC 曲線在 iPAS AI 應用規劃師考試中如何與其他評估指標一起考察？

在 iPAS AI 應用規劃師中級考試中，ROC 曲線通常與混淆矩陣、精確率、召回率、F1 Score 一起出現，形成模型評估指標群。常見題型包括：給定混淆矩陣計算 TPR 與 FPR，判斷 ROC 曲線位置；比較不同 AUC 值的模型並說明選擇依據；在不均衡資料情境下判斷應使用 ROC 還是 PR 曲線；以及針對特定業務場景（醫療、金融）說明如何選擇閾值。掌握「AUC 是排序能力的機率解釋」和「類別不均衡時 PR 更有效」這兩個核心概念，是解題關鍵。

---

來源：https://aiterms.tw/terms/roc
快查頁：https://aiterms.tw/terms/roc
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-roc