来源及说明

来源于 sklearn 库的 metrics.roc_curve 主要用来计算ROC曲线面积。

sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True)

输入参数：

    y_true : ndarray of shape (n_samples,)
         #真实的二进制标签。如果标签不是{-1，1}或{0，1}，那么pos_label应该明确给出。
    y_score : ndarray of shape (n_samples,)
	#可以是正类的概率估计值，也可以是可信度值，或者是非正类的类的概率估计值，信心值，或者非阈值的决策测量值(如某些分类器上的 "decision_function "所返回的)。
    pos_label : int or str, default=None
      # 正面类的标签。 当`pos_label=None'时，如果`y_true'在{-1, 1}或{0, 1}。`pos_label'会被设置为1，否则会出现错误。
    sample_weight : # 类似数组的形状(n_samples,), default=None 表示样本权重。
    drop_intermediate : bool, default=True
# 是否放弃一些不会出现在ROC曲线上的次优阈值。在绘制的ROC曲线上。这对于创建较轻的ROC曲线很有用。

输出参数：

    fpr : ndarray of shape (>2,)
         #递增的假阳性率，其中i元素是score >= `thresholds[i]`.的预测的假阳性率。 
    tpr : ndarray of shape (>2,)
        #增加真实阳性率，元素i是预测的真实阳性率，score >= `thresholds[i]`的预测的真阳性率。
    thresholds : ndarray of shape = (n_thresholds,)
        #用于计算决策函数的递减。`thresholds[0]` 代表没有被预测的实例。并被任意设置为`max(y_score) + 1'。

绘制ROC曲线：

        plt.title('ROC')
        plt.xlabel('False Positive Rate')
        plt.ylabel('True Positive Rate')
        plt.plot(fpr, tpr, '--*b', label="ours")
        plt.legend()
        plt.show()

TP（True Positives），TN（True Negatives），FP（False Positives），FN（False Negatives） 分别为阳性样本正确分类数量、阴性样本正确分类数量、阳性样本错误分类数量以及阴性样本错误分类数量。

阳性样本正确分类数量占阳性样本总数的比例TPR（即True Positive Rate，所有正类中，有多少被预测成正类），阴性样本正确分类的数量占阴性样本总数的比例FPR（即False Positive Rate，所有反类中，有多少被预测成正类）计算如下：

$TPR=TP/(TP+FN)$

（阳性样本被判断为阳性/阳性样本总数）

$FPR=FP/(FP+TN)$

（阴性样本被判断为阳性/阴性样本总数）

ROC曲线横坐标为FPR，纵坐标为TPR。