ROC曲线是评估分类模型准确性的一种常用方法。ROC曲线的横轴为假阳性率（False Positive Rate，FPR），也就是预测为正例但实际为负例的样本占所有负例样本的比例，纵轴为真阳性率（True Positive Rate，TPR），也就是预测为正例且实际为正例的样本占所有正例样本的比例。

AUC（Area Under the Curve）值越大，说明分类器的准确性越高，当AUC等于1时，则说明分类器完美分类。

因此，如果ROC曲线越接近左上角，则说明模型具有更高的准确性，反之则说明模型准确性较低。