このモデルの特異度は、真の陰性率です。偽陽性率を導出するには、1から特異度を減算します。1 – 特異度というラベルが付けられた偽陽性率は、ROCチャートのX軸です。モデルの感度は、真の陽性率です。これは、ROCチャートのY軸です。したがって、ROCチャートでは、偽陽性率の変化に伴う真の陽性率の変化がプロットされます。
良いROCチャートは、最初に非常に急な勾配があり、すぐに横ばいになります。すなわち、オブザベーションの誤分類より、かなり多い数のオブザベーションが正しく分類されていることがわかります。偽陽性も偽陰性もない完璧なモデルの場合、ROCチャートは(0,0)で開始し、(0,1)に垂直に推移してから、(1,1)で水平になります。この例では、1つの誤分類が発生するまでは、モデルはすべてのオブザベーションを正しく分類しています。
ROCチャートには、ROCチャートの解釈に役立つ2つの線が含まれています。最初の線は、1の勾配を持つベースラインモデルです。この線は、オブザベーションを誤分類するのと同じ比率で正しく分類するモデルを模倣しています。理想的なROCチャートは、ベースラインモデルとROCチャート間の距離を最大化します。オブザベーションを正しく分類するよりも多い比率で誤分類するモデルは、ベースラインモデルの基準に達していません。2番目の線は、偽陽性率の垂直線です。この線では、ROCチャートとベースラインモデルのKolmogorov-Smirnov値間の差異が最大になります。