ROC曲线全称为受试者工作特征曲线 （Receiver Operating Characteristic Curve），这一名称来自于医学领域。ROC曲线源于军事领域，而后在医学领域应用甚广。 ROC 曲线以真阳性率（敏感性）为纵坐标，假阳性率（1-特异性）为横坐标，两者都可以 通过混淆矩阵计算得到。 下图是标准的混淆矩阵：  其中符号解释如下：  题干中的混淆矩阵和上面标准混淆矩阵是一一对应的。假阳性率为健康人中被误诊为阳性的概率，即有,对应的题干中的符号就是，故选D

（1）ROC曲线的x轴表示的是假阳性率（False Positive Rate, FPR），它是由每个阈值下混淆矩阵的假阳性数（False Positive, FP）和真负数（True Negative, TN）计算而来的。假阳性率的公式是：

\[ \text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}} \]

在混淆矩阵中：
- FP（False Positive）对应的是B。
- TN（True Negative）对应的是C。

根据以上公式，假阳性率（FPR）可以表示为：

\[ \text{FPR} = \frac{B}{B + C} \]

因此，正确答案是：

C: B/(B+C)

### 专业分析
ROC曲线（Receiver Operating Characteristic Curve）是用于评估二分类模型性能的图形工具。它通过绘制真阳性率（True Positive Rate, TPR）对假阳性率（False Positive Rate, FPR）的曲线来表示模型在不同阈值下的表现。

- **X轴（假阳性率，FPR）**：表示分类器将负类样本错误分类为正类样本的比例。公式为 \(\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}\)。
- **Y轴（真阳性率，TPR）**：表示分类器将正类样本正确分类为正类样本的比例。公式为 \(\text{TPR} = \frac{\text{TP}}{\text{TP} + \text{FN}}\)。

通过调整阈值，可以观察到FPR和TPR的变化，从而评估模型的性能。理想情况下，好的分类器应当在保持较低FPR的情况下，尽可能提高TPR。