tt作为一个ML研究者如果你没听过 ROC curve 那你就不能称之为一个good student，^_^，开个玩笑。
假如用ROC来评价一个分类器最好不过了，什么准确率/召回率靠边站吧。
涉及到的到名词：TP/ FP TN/FN （突然意识到其实 true positive and false true negative and false negative 只要是因为早期用在医疗上诊断良性与恶性，可能由此得名把）
TPR/FPR (这个就不用说了把)
已FPR 为x轴 TPR为y轴 （为了使曲线在y=x上方 ，这样你看起来也比较方便对吧）划出roc曲线
当你的分类问题如果是以概率为临界值时，每选择一个一个临界值你就会得到一个分类结果（对应roc坐标中的一个点），当选择多个临界值的时候，你就会得到一系列的点。由此可以在roc坐标中划出一条曲线。这样就可以观察对于给定的临界值，你的FPR与TPR的关系。其实最理想的情况是你原本正确的都分对了，错误的当然也就同时都分对了。此点对对应的就是（0，1）。但实际问题并不完美，所以你需要根据roc曲线来确定你的最佳临界值。对于最佳临界值已有好多人研究过，可以google一大堆。基本上就是根据不同的需求得到不同的临界值。
骚年：抱着你小妾睡觉吧。（洗洗睡了，明天还要回家商量结婚，虽然没毕业，可年龄到了，为了让家中老父放下心头的石头，万事无阻，go++）
附上参考（比我说的明白多了，不过我为了自己印象深刻）：http://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF