ROC曲线：全称 Receiver Operating Characteristic曲线，即受试者工作特性曲线，在机器学习领域常用于判断分类器的好坏。
要了解ROC曲线，首先要了解该曲线的横纵坐标 —— FPR（1-特异度）和TPR（召回率或者灵敏度）。
1. 基本概念 —— 混淆矩阵
绘制混淆矩阵：https://www.cnblogs.com/qi-yuan-008/p/11675499.html
2. ROC曲线的横坐标是FPR值，纵坐标是TPR值；每指定一个threshold，就对应一个FPR-TPR值对。
threshold 表示的是：测试样本中每个样本预测为正的概率，并且从大到小排列。
AUC的值表示的是：ROC曲线下方区域的面积大小 —— 即对曲线进行积分所得；一般来说，AUC的值越大，分类器的分类性能越好。
3. Python绘制ROC曲线：
以支持向量机分类为例，假设训练样本为：x_train，y_train，测试样本为：x_test，y_test
from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix
from sklearn import metrics
import matplotlib.pyplot as plt
def svm_func(x_train,y_train,x_test,y_test):
clf = SVC(kernel = ‘linear‘, verbose=True)
clf.fit(x_train,y_train)
pred = clf.predict(x_test)
#混淆矩阵， labels为数据中各类标签值，这里0为负样本，2为正样本
cm = confusion_matrix(y_test, pred, labels=[0, 2]) #纵坐标是y_test，横坐标是pred
print(cm)
# 绘制ROC曲线
fpr, tpr, thresholds = metrics.roc_curve(y_test, pred, pos_label=2) # pos_label表示选定该标签是正，其他的均为负，绘制ROC曲线
auc = metrics.auc(fpr, tpr) #计算AUC值
# # 设置绘图风格
plt.figure()
plt.style.use(‘ggplot‘)
# 绘制ROC曲线
plt.plot(fpr, tpr,‘‘)
# 绘制参考线
plt.plot((0,1),(0,1),‘r--‘)
# 添加文本
plt.text(0.5,0.5,‘AUC值为%.2f‘ % auc, fontsize=16)
plt.title(‘支持向量机模型的ROC曲线‘)
plt.xlabel(‘1-specificity‘)
plt.ylabel(‘Sensitivity‘)
# 中文和负号的正常显示
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘] = False
# 去除图形顶部边界和右边界的刻度
plt.tick_params(top=False, right=False)
plt.show()
注：
[1]. ROC曲线适用于二分类，但是可以扩展至多分类。
[2]. 当负样本数量远远大于正样本数量时，ROC曲线可能会不正确，这时可用PR曲线（Precision-Recall曲线）。
##
参考：
https://blog.csdn.net/u012429555/article/details/82973387
https://www.cnblogs.com/Zhi-Z/p/8728168.html
https://blog.csdn.net/qq_30992103/article/details/99730059
https://zhuanlan.zhihu.com/p/25212301
https://www.jianshu.com/p/2ca96fce7e81
原文地址：https://www.cnblogs.com/qi-yuan-008/p/12643880.html