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。
curve fitting怎么導入數據、官方接口說明：http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html
不過這個接口只限于進行二分類任務。！
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，對預測值排序后的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，里面是預測為正樣本的概率，正樣本是什么呢，在函數中通過pos_label指定為2，然后便將score排序，
由大到小，也就有了后面的thresholds，按照這個順序，依次將前面的樣本預測為正樣本，后面為負樣本，這里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，后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
然后以0.4為閾值，前兩個假設為正樣本，后兩個假設為負樣本，0.4對應的為負樣本，則真正例數沒有增加，于是仍為0.5，而假陽性增加一例，此時假陽性率為1/2
后面的依此類推，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
?
