sklearn ROC曲线使用

这篇文章中我将使用sklearn的ROC曲线官方示例代码进行讲解，当然主要目的还是在于记录，好记性不如烂键盘嘛。

ROC曲线定义

ROC曲线是Receiver Operating Characteristic Curve的简称，中文名为“受试者工作特征曲线”。
ROC曲线的横坐标为假阳性率（False Positive Rate，FPR）；纵坐标为真阳性率（True Positive Rate，TPR）。FPR和TPR的计算方法分别为：
$$FPR=\frac{FP}{FP+TN}$$
$$TPR=\frac{TP}{TP+FN}$$
式中FP表示实际为负但被预测为正的样本数量，TN表示实际为负被预测为负的样本的数量，TP表示实际为正被预测为正的样本数量，FN表示实际为正但被预测为负的样本的数量。这几个变量可以用下面的混淆矩阵表示：

从混淆矩阵也可以看到FP+TN是实际为负的样本数量，因此，FPR公式也可以写作：
$$FPR=\frac{FP}{N}$$
同理，TP+FN是实际为正的样本数量，因此，TPR公式也可以写作：