什么是ROC曲线？可以参见（https://blog.csdn.net/hesongzefairy/article/details/104295431）

现在我们知道ROC曲线上的一组组（FPR，TPR）值是通过改变阈值得到，那么具体在程序中是如何实现的？

首先我们需要了解sklearn.metrics中的roc_curve方法（metrics是度量、指标，curve是曲线）

roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=None)

参数含义：

y_true：简单来说就是label，范围在(0，1)或(-1，1)的二进制标签，若非二进制则需提供pos_label。

y_score：模型预测的类别概率值。

pos_label：label中被认定为正样本的标签。若label=[1,2,2,1]且pos_label=2，则2为positive，其他为negative。

sample_weight：采样权重，可选择一部分来计算。

drop_intermediate：可以去掉一些对ROC曲线不好的阈值，使得曲线展现的性能更好。

返回值：（tpr，fpr，thershold）

tpr：根据不同阈值得到一组tpr值。

fpr：根据不同阈值的到一组fpr值，与tpr一一对应。（这两个值就是绘制ROC曲线的关键）

thresholds：选择的不同阈值，按照降序排列。

有了以上参数和返回值的基础，举个例子来验证一下：

from sklearn.metrics import roc_curve

y_label = ([1, 1, 1, 2, 2, 2])  # 非二进制需要pos_label
y_pre = ([0.3, 0.5, 0.9, 0.8, 0.4, 0.6])
fpr, tpr, thersholds = roc_curve(y_label, y_pre, pos_label=2)

for i, value in enumerate(thersholds):
    print("%f %f %f" % (fpr[i], tpr[i], value))

输出结果：

分析：

代码中故意将label设置为非二进制，展示了pos_label这个参数的用处，如果pos_label设置错误程序会报错，大家可以自己尝试，y_label是标签，y_pre和y_labe相对应是模型预测为label的概率值，当pos_label=2则标签为2的看作正样本，标签为1的看做负样本。

我们都知道ROC曲线是需要通过改变阈值来获取一组组(fprp, tpr)，那么roc_curve方法中是如何选取阈值？

从输出结果可以看到，第三列代表返回值thersholds记录的就是roc_curve所选取的阈值，其阈值就是将y_pre降序排列并依次选取，如果选取的阈值对fpr和tpr值无影响则忽略，输出结果中没有记录阈值为0.8时情况。

需要注意的是，输出结果第一行therholds=1.9，这个值很奇怪，乍一看不知道为什么会出现这个值。这里我们阅读sklearn官网的原文对therholds这个参数的解释：

Decreasing thresholds on the decision function used to compute fpr and tpr. thresholds[0] represents no instances being predicted and is arbitrarily set to max(y_score) + 1.

thresholds[0] 表示没有任何预测的实例 并且被设置为max(y_score) + 1，这样就知道1.9其实是y_pre中最大的0.9 +1，再简单点来说，第一行其实就是ROC曲线的起点（0，0）。

到这里roc_curve方法的用法应该已经非常清楚了，画ROC曲线之前还有一个评估模型优劣重要的值AUC需要得到。

算AUC的方法很简单，使用auc方法即可。

from sklearn.metrics import auc

roc_auc = auc(fpr, tpr)

最后就是画出ROC曲线了，完整代码如下：

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

y_label = ([1, 1, 1, 2, 2, 2])  # 非二进制需要pos_label
y_pre = ([0.3, 0.5, 0.9, 0.8, 0.4, 0.6])
fpr, tpr, thersholds = roc_curve(y_label, y_pre, pos_label=2)

for i, value in enumerate(thersholds):
    print("%f %f %f" % (fpr[i], tpr[i], value))

roc_auc = auc(fpr, tpr)

plt.plot(fpr, tpr, 'k--', label='ROC (area = {0:.2f})'.format(roc_auc), lw=2)

plt.xlim([-0.05, 1.05])  # 设置x、y轴的上下限，以免和边缘重合，更好的观察图像的整体
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')  # 可以使用中文，但需要导入一些库即字体
plt.title('ROC Curve')
plt.legend(loc="lower right")
plt.show()

输出结果：