sklearn.metrics.roc_curve?
sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True)
計算接收器工作特性（ROC）
注意：此實現僅限于二進制分類任務。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | array, shape = [n_samples] 真正的二進制標簽。 如果標簽既不是{-1，1}也不是{0，1}，則應該明確給出pos_label。 |
| y_score | array, shape = [n_samples] 目標分數可以是正例類的概率估計值，置信度值或決策的非閾值度量（如某些分類器上的“ decision_function”所返回）。 |
| pos_label | int or str, default=None 正例類的標簽。當pos_label = None時，如果y_true在{-1，1}或{0，1}中，則pos_label設置為1，否則將引發錯誤。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| drop_intermediate | boolean, optional (default=True) 是否降低一些未達到最佳閾值的閾值，這些閾值不會出現在繪制的ROC曲線上。 這對于創建較淺的ROC曲線很有用。 版本0.17中的新功能：參數drop_intermediate。 |
| 返回值 | 說明 |
|---|---|
| fpr | array, shape = [>2] 增加假正例率，使得元素i是score >= thresholds[i]預測的假正例率。 |
| tpr | array, shape = [>2] 增加真正例率，使得元素i是score >= thresholds[i]的預測的真正例率。 |
| thresholds | array, shape = [n_thresholds] 用于計算fpr和tpr的決策函數的閾值遞減。 thresholds [0]表示沒有實例在預測中，可以任意設置為max（y_score）+ 1。 |
另見：
計算ROC曲線下的面積
注
由于閾值從低到高排序，返回時將它們反轉以確保它們對應于fpr和tpr（它們在計算過程中按相反的順序排序）。
參考
1 Wikipedia entry for the Receiver operating characteristic
2 Fawcett T. An introduction to ROC analysis[J]. Pattern Recognition Letters, 2006, 27(8):861-874.
示例
>>> 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. , 0.5, 0.5, 1. ])
>>> tpr
array([0. , 0.5, 0.5, 1. , 1. ])
>>> thresholds
array([1.8 , 0.8 , 0.4 , 0.35, 0.1 ])
