Im Kontext des maschinellen Lernens und der Signalerkennungstheorie ist die ROC-Kurve ein grafisches Diagramm, das die Diagnosefähigkeit eines binären Klassifikationssystems veranschaulicht, wenn seine Unterscheidungsschwelle variiert wird. Die ROC-Kurve wird erstellt, indem die True-Positive-Rate (TPR) gegen die False-Positive-Rate (FPR) bei verschiedenen Schwellenwerteinstellungen aufgetragen wird.
Die ROC-Kurve eignet sich zur Bewertung der Leistung eines binären Klassifikators, indem sie dessen Fähigkeit misst, positive und negative Instanzen korrekt zu klassifizieren. Ein Klassifikator mit guter Leistung weist eine ROC-Kurve auf, die sich nahe der oberen linken Ecke des Diagramms befindet, was auf einen hohen TPR und einen niedrigen FPR hinweist. Umgekehrt weist ein Klassifikator mit schlechter Leistung eine ROC-Kurve auf, die nahe an der Diagonallinie liegt, was auf einen niedrigen TPR und einen hohen FPR hinweist.