程式碼註釋

>>> import numpy as np 
>>> from sklearn import metrics
匯入metrics模組
>>> y = np.array([1, 1, 2, 2])
假設我們的測試樣本對只有4個，正樣本對label=1，負樣本對label=2
>>> scores = np.array([0.1, 0.4, 0.35, 0.8])
我們的模型對4個樣本對有個打分，一般就是相似度的值
>>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2
 
)
函式roc_curve（）輸入三個引數：
y：測試樣本對的label
scores：測試樣本對的相似度的值
pos_label:預設情況下如果label={0,1}或者label={-1,1}兩種情況，引數pos_label可以省略，使用預設值。如果像本例中的情況一樣label={1,2}，不是標準型，則pos_label必須等於2
一般會認為較小值為負樣本label，較大值為正樣本label，這裡是個人理解，還沒有經過試驗證實。
首先普及一下FPR與TPR
TP（True Positive）：指正確分類的正樣本數，即預測為正樣本，實際也是正樣本。
FP（False Positive）：指被錯誤的標記為正樣本的負樣本數，即實際為負樣本而被預測為正樣本，所以是False
 
。
TN（True Negative）：指正確分類的負樣本數，即預測為負樣本，實際也是負樣本。
FN（False Negative）：指被錯誤的標記為負樣本的正樣本數，即實際為正樣本而被預測為負樣本，所以是False。
TP+FP+TN+FN：樣本總數。
TP+FN：實際正樣本數。
TP+FP：預測結果為正樣本的總數，包括預測正確的和錯誤的。
FP+TN：實際負樣本數。
TN+FN：預測結果為負樣本的總數，包括預測正確的和錯誤的。


FPR=FP/(FP+TN)(實際的負樣本中有多少被預測為了正樣本，虛警率)
TPR=TP/(TP+FN)(判斷正確的正樣本的比率，命中率)

>>> 
 
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 ])

FPR與TPR的計算過程：

首先，將預測的樣本分數即樣本相似度，從大到小排序（這應該和你使用什麼度量方法有關，如Cos距離，距離越大，說明越是正樣本），排序後返回到thresholds。那麼這個排序後的作用是什麼呢？這就是為什麼這個排序後的結果稱之為“threshold”的原因，我們會將threshold中的每一個值做為一個閾值，然後計算TP、FP、TN和FN，進而計算FPR和TPR。因此，一個閾值對應著一個（FPR，TPR）對，這也會成為roc_curve函式的返回值。以便我們後續利用這些（FPR，TPR）對畫ROC曲線，進一步計算AUC。
下面以上面程式碼結果為例，進行詳細說明。

label：    [1,    1,   2,    2 ]
score：    [0.1, 0.4, 0.35, 0.8]
thershold：[0.8, 0.4, 0.35, 0.1]

一般認為較小label為負樣本，較大label為正樣本，score>=thershold，即為判斷為正樣本。

thershold=0.8時，TP=1，FP=0, TN=2, FN=1，FPR=FP/(FP+TN)=0/(0+2)=0,  TPR=TP/(TP+FN)=1/(1+1)=0.5；
thershold=0.4時，TP=1，FP=1，TN=1，FN=1，FPR=FP/(FP+TN)=1/(1+1)=0.5,TPR=TP/(TP+FN)=1/(1+1)=0.5；
thershold=0.35時，TP=2，FP=1，TN=1，FN=0，FPR=FP/(FP+TN)=1/(1+1)=0.5,TPR=TP/(TP+FN)=2/(2+0)=1.0；
thershold=0.1時，TP=2，FP=2，TN=0，FN=0，FPR=FP/(FP+TN)=2/(2+0)=1.0, TPR=TP/(TP+FN)=2/(2+0)=1.0.
手動計算結果與輸出一致。

補充：

參考連結