ROC曲线，即受试者工作特征曲线（Receiver Operating Characteristic Curve），是用于衡量二分类模型分类效果的一种常用工具。ROC曲线的横轴是假正率（False Positive Rate，FPR），纵轴是真正率（True Positive Rate，TPR），该曲线可用于衡量模型分类的敏感性和特异性。在实际应用中，ROC曲线常用于评估分类模型，例如评估医学诊断模型的效果等。
MATLAB是一款数据分析与可视化的工具箱，提供了多种绘制ROC曲线的方法，其中最简单的方法是使用MATLAB自带的ROC Curve App。该App不仅可以绘制ROC曲线，还可以计算曲线下面积AUC（Area Under Curve）和Confusion Matrix等。
以下是使用MATLAB ROC Curve App绘制ROC曲线的步骤：
1. 准备数据
准备二分类模型的结果数据。可以是真实标签和模型预测结果的矩阵，也可以是模型的得分或概率矩阵。一般情况下，模型的得分或概率矩阵需要进行归一化处理。
2. 打开ROC Curve App
在MATLAB命令行窗口中输入roccurve或者在App上方搜索栏中输入“ROC”并选择“ROC Curve”即可打开该App。
3. 导入数据
将准备好的数据导入到ROC Curve App中。可在左上角的“File”中选择“Load Data”，导入数据文件。可使用Excel、CSV或MATLAB数据格式的文件。
4. 选择分类器
ROC Curve App提供了四种常见的分类器：Logistic Regression、K-Nearest Neighbor、SVM和Naive Bayes。根据实际情况选择相应的分类器类型。
5. 设置参数
可以通过设置“Positive Class”、“Negative Class”和“Scores”三个参数来指定正例、负例和模型得分矩阵的列数。
6. 绘制ROC曲线
设置好参数后，点击“Draw ROC”按钮即可绘制ROC曲线。如果需要修改绘制效果，可以在右侧的“Plot Options”中进行修改。
7. 分析结果
绘制好ROC曲线后，可以在右侧的“ROC Data”中查看ROC曲线下的面积AUC、Confusion Matrix等信息。在“Plot Options”中，还可以选择是否添加“Equal Error Rate”和“Operation Point”等信息。
总之，使用MATLAB ROC Curve App可以方便地绘制ROC曲线，对于需要快速评估二分类模型效果的人员十分实用。
