在机器学习中，ROC（接收者操作特征曲线）是一种用来评估分类模型性能的曲线。

ROC曲线通过绘制真阳性率（TPR）与假阳性率（FPR）之间的关系来展示模型的表现。TPR表示被正确分类的正例比例，而FPR表示被错误分类的负例比例。

ROC曲线越接近左上角，说明模型性能越好。曲线下面积（AUC）是评估模型性能的一个指标，AUC越大，模型性能越好。

通过调整模型的阈值，我们可以在ROC曲线上选择适当的工作点，以满足特定的需求。例如，在医学诊断中，我们可能更关注敏感性，而在垃圾邮件检测中，我们可能更关注特异性。