在分类模型评估中，哪些描述准确地涉及到ROC曲线和混淆矩阵的概念？

A.    ROC曲线是根据模型预测的概率值而非预测的类别来绘制的。

B.    ROC曲线下面积（AUC）的值越大，表示模型的区分能力越强。

C.    混淆矩阵中的真正（TP）和真负（TN）反映了模型预测正确的情况。

D.    ROC曲线横坐标是真正率（TPR），纵坐标是假正率（FPR）。

参考答案：A,B,C

解析：ROC曲线确实是根据模型预测出来的概率值来绘制的，而不是预测的分类结果。

ROC曲线下的面积（AUC - Area Under Curve）越大，表示模型能更好地区分正类和负类。

混淆矩阵中的真正（TP）和真负（TN）的确反映了模型在预测正确的响应和不响应的能力。

ROC曲线的纵坐标代表的是真正率（True Positive Rate, TPR），也称为敏感度；横坐标是假正率（False Positive Rate, FPR），也称为1-特异性。