在分類模型中，ROC曲線和AUC值經常作為衡量一個模型擬合程度的指標。最近在建模過程中需要作出模型的ROC曲線，參考了sklearn官網的教程和部落格。現在將自己的學習過程總結如下，希望對初次接觸的同學有所幫助。PS：網上的例子實在是晦澀難懂，在折騰了一下午之後終於搞定了。下面是我在學習過程中主要參考的資料，大家也可以學習一下。

  sklearn上有一個畫ROC曲線的例子，利用的是經典的鳶尾花（iris）資料。但鳶尾花資料分類的結果有三種，例子就直接來做圖（一般的分類任務明明只有兩種結果啊！！！），對於初學者來說（說的是我自己）看起來真的彆扭。因此我對該例子做了一些改動（簡化），將資料轉化為二分類，這樣比較容易理解。

   首先為大家介紹一下Python做ROC曲線的原理。sklearn.metrics有roc_curve, auc兩個函式，ROC曲線上的點主要就是通過這兩個函式計算出來的。
 

(1.)

fpr, tpr, thresholds = roc_curve(y_test, scores)

  其中y_test為測試集的結果，scores為模型預測的測試集得分（注意：通過decision_function(x_test)計算scores的值）；fpr,tpr,thresholds 分別為假正率、真正率和閾值。（應該是不同閾值下的真正率和假正率）。

(2.)

roc_auc =auc(fpr, tpr)

roc_auc為計算的acu的值。

PS：下面的程式碼大家可以直接copy跑一下，我相信跑完之後大家就理解作圖的原理了。