解释是从了解 ROC 曲线的组成部分得出的。

首先，提醒一下：ROC 曲线代表软二元分类器的性能，即预测表示实例为正的可能性的数值（通常是概率）的分类器。

ROC 曲线的点对应于以预测值/概率的不同阈值分割实例时发生的情况。例如，假设我们有 10 个具有以下预测和状态的实例，按预测值递减排序：

predicted value   gold status
  1.0                  P
  0.95                 P
  0.95                 P
  0.85                 N
  0.70                 P
  0.55                 P
  0.52                 N
  0.47                 P
  0.26                 N
  0.14                 N

• 如果阈值设置为 0.60，我们有 4 个 TP、1 个 FP、2 个 FN 和 3 个 TN。
• 如果阈值设置为 0.75，我们有 3 个 TP、1 个 FP、3 个 FN 和 3 个 TN。
• 等等

如果分类器做得不错，顶部应该只包含黄金正实例，底部只包含负实例，因为分类器预测这些实例的值非常高（分别非常低）。相比之下，中间部分更可能包含错误。

这意味着，对于一个像样的分类器，我们只会遇到正实例，直到从顶部到某个阈值：在我的示例中，有 3 P 个实例高于阈值 = 0.85，因此在 0.85 和 1 之间选择的任何阈值都没有 FP 实例。这意味着 FPR=0，TPR 范围从 0 到 3/10，因此 ROC 曲线上的一条垂直线从原点到 (0,0.3)。

在我的示例中对最低值应用相同的观察，我们看到，当阈值在 0 和 0.47（排除）之间时，我们没有 FN，所以我们有一个完美的 TPR=1，因此有一条来自 (1,1) 的水平线到 (0.8, 1)。

排名的这两个极端部分就是作者所说的“最自信的预测”和“最不自信的预测”。顺便说一句，后者不是一个很好的术语，因为实际上底部是分类器对否定实例非常有信心的地方。如果有的话，分类器最不自信的部分是在排名的中间。

[编辑：忘记回答这个问题]

我可以从中获得哪些重要信息？

所以这两条直线显示了分类器可以走多远：

• 没有任何误报（左下垂直线）
• 不产生任何假阴性错误（右上水平线）

它在想要以召回为代价获得完美精度的应用程序中很有用，反之亦然。然而，一般情况下（例如优化 F1 分数），最佳阈值位于曲线中间的某个位置。

当然，线越长，分类器总体上就越好。从几何上看，很明显，当这两条线很长时，曲线下面积 (AUC) 就很大。请注意，理论上分类器可能会出现一些接近极端的错误（即短线），但在中等范围内仍然表现良好，但实际上很少见。