roc曲線是機器學習中十分重要的一種學習器評估準則，在sklearn中有完整的實現，api函數為sklearn.metrics.roc_curve(params)函數。

官方接口說明：http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html

不過這個接口只限於進行二分類任務。！

下面主要是對官方接口做一下翻譯。

接口函數 sklearn.metrics.roc_curve(y_true, y_score, pos_label=None, sample_weight=None, drop_intermediate=True

參數說明

　　　　y_true：數組，存儲數據的標簽，維度就是樣本數，形如[0,1,1,0,1...]這樣的，也可以是-1和1，只要有兩個值

　　　　y_score：數組，存儲數據的預測概率值，維度也是樣本數，形如[0.38,0.5,0.8]這樣的

　　　　pos_label：整型或字符串，當y_true中只有一個值時，比如都是1或者都是0，無法判斷哪個是正樣本，需要用一個數字或字符串指出

　　　　sample_weight：采樣權重，這個官方沒有仔細說，是一個可選參數，有待考察

　　　　drop_intermediate：丟掉一些閾值，以便畫roc曲線圖

返回值：一共三個，分別是fpr,tpr,thresholds

　　　　fpr：數組，隨閾值上漲的假陽性率

　　　　tpr：數組，隨閾值上漲的真正例率

　　　　thresholds：數組，對預測值排序後的score列表，作為閾值，排序從大到小

舉例

>>> import numpy as np
>>> from sklearn import metrics
>>> y = np.array([1, 1, 2, 2])
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
 
>>> fpr
array([ 0. ,  0.5,  0.5,  1. ])
>>> tpr
array([ 0.5,  0.5,  1. ,  1. ])
>>> thresholds
array([ 0.8 ,  0.4 ,  0.35,  0.1 ])

解釋一下，樣本標簽為y，共有1和2兩個值，預測值為scores，裏面是預測為正樣本的概率，正樣本是什麽呢，在函數中通過pos_label指定為2，然後便將score排序，

由大到小，也就有了後面的thresholds，按照這個順序，依次將前面的樣本預測為正樣本，後面為負樣本，這裏看一下樣本標簽和預測值的一一對應

[1,1,2,2]->[0.1,0.4,0.35,0.8]，共有兩個正樣本，兩個負樣本

以0.8為閾值，第一個假設為正樣本，後面三個假設為負樣本，0.8對應的確實為正樣本，則真正例率為1/2，假陽性率為0，因為沒有負樣本被誤判為正樣本

然後以0.4為閾值，前兩個假設為正樣本，後兩個假設為負樣本，0.4對應的為負樣本，則真正例數沒有增加，於是仍為0.5，而假陽性增加一例，此時假陽性率為1/2

後面的依此類推，這就是這個api的基本使用說明。

補充下：tpr=tp/所有正樣本，fpr=fp/所有負樣本

sklearn.metrics.roc_curve使用說明