sklearn.metrics.roc_curve—计算ROC（仅限于二分类任务）

参考：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html

在分类模型的性能评估指标总结章节中，我们讲到ROC曲线是分类模型的性能评价指标之一。接下来将进一步对sklearn库中ROC曲线的计算方式进行详细讲解。

语法格式

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

常见参数解释：

• y_true: 真实的二分类标签。如果标签不是{-1,1}或{0,1}，则应显式给出pos_label。
• y_score: 预测分数，可以是正类的概率估计、置信度值或决策的非阈值度量(如在某些分类器上由“decision_function”返回)。
• pos_label: 正类的标签。当pos_label=None时，如果y_true在{-1,1}或{0,1}中，则将pos_label设置为1，否则将引发错误。
• sample_weight: 样本权重。默认为 None，表示所有样本的权重相同。
• drop_intermediate: 是否放弃一些不会出现在绘制的ROC曲线上的次优阈值。

返回值包括三个：

• fpr: 随阈值增加的假阳性率组成的数组，第i个元素表示y_score值 >=thresholds[i]的假阳性率。
• tpr: 随阈值增加的真阳性率组成的数组，第i个元素表示y_score值 >=thresholds[i]的真阳性率。
• thresholds: 按照y_pre降序排列得到一组阈值组成的数组。thresholds[0]设置为max(y_score)+1。

代码示例

import numpy as np
from sklearn.metrics import roc_curve

y_test = np.array([1,1,0, 1,1])
y_score = np.array([0.1, 0.3, 0.35, 0.6,0.8])

fpr, tpr, thresholds = roc_curve(y_test,y_score)
(fpr,tpr,thresholds)
# (array([0., 0., 0., 1., 1.]),
#  array([0.  , 0.25, 0.5 , 0.5 , 1.  ]),
#  array([1.8 , 0.8 , 0.6 , 0.35, 0.1 ]))