是的，该图表包含 AUC 数字本身没有的信息。

比较具有非常接近 AUC 数的 2 个以上模型时，这是最有趣的。该图可以告诉您，一个模型有利于召回，而另一个模型有利于精确度。或者，如果线条基本上在另一个之上，它会告诉您两个模型在所有阈值上都具有相同的性能。

该图还可以帮助您选择阈值。因此，如果精度更重要，您对线刚开始离开左侧的阈值感兴趣。如果精度更重要，您对它刚刚开始离开顶部的点感兴趣。

翻转它，查看图表需要人类专家。AUC 数字可让您在眨眼之间比较数千个模型，并保持客观。

从评论中添加的“更好”，我可以解释为几何表示与数字表示中是否存在不同的信息。忽略 ROC 是否真的是用于解决问题的正确指标。此信息可能与问题无关。

数字 AUROC 不能深入了解 ROC 曲线是否交叉。如果曲线交叉，则需要在敏感性和特异性之间进行权衡。选择更高的 AUROC 并不能让您知道您已做出权衡决定。这篇文章很好地解释了它并有一张图片。

这提出了一个问题，即许多候选模型具有相似的 ROC 曲线，并且基于 AUROC 或 ROC 选择模型可能不够区分。

这些是我从你的问题中解释的：

这是我的答案： ROC-AUC 分数基本上是 AUC（ROC 曲线下的面积）。.

如果您需要更多说明：

ROC：将告诉分类模型在给定阈值变化的情况下预测的好坏。

AUC：将告诉您聚合如何跨越所有阈值。如果所有预测都错误，AUC 将为 0，如果所有预测都正确，则 AUC 将为 1。AUC 的性质：

1. AUC 将告诉您预测的排名情况，而不是其绝对值，与规模无关。
2. 无论分类阈值（阈值不变）如何，它都会告诉您预测的质量。

使用 AUC 比较两个分类模型（例如，如果逻辑回归的 AUC = 0.8 且随机森林的 AUC=0.9，则选择随机森林）。

AUC 有其限制：

1. 尺度不变并不总是可取的。特别是当我们想要校准我们的输出时。
2. 当我们想要优先考虑最小化任何速率时（例如，在垃圾邮件过滤器模型中优先考虑最小化误报），阈值不变是不可取的