sklearn绘制roc曲线二三事

细致说明参考文章Python下使用sklearn绘制ROC曲线（超详细）
但是对原文中的代码关于 y_score的用法存疑，原文中直接把预测值作为y_score来用，但是y_score的解释是模型预测的类别概率值，希望大神指教。
针对原文中代码，做了以下几个调整：
1.将原类别值+1
我本来的类别是[0,1,0…,1]这样的组合，但是在调试过程中，发现始终会提示“UndefinedMetricWarning: No positive samples in y_true, true positive value should be meaningless
UndefinedMetricWarning)”，表示说样本中没有正样本。具体的我也没去深究原理，只是发现[1,2,1…,2]这样的组合不会报错。
2.将TensorFlow张量转为array
我代码本身是构造了BP神经网络来实现二分类识别，得到的结果是TensorFlow张量，首先是使用 y_pred = sess.run(y， feed_dict={x: X_train, y: Y_train, keep_prob: 1.0})将张量转为了array，然后再输入到roc绘图函数中进行处理。

def acu_curve(y_label, y_pre):
    y_label = y_label + 1
    y_pre = y_pre + 1
    fpr, tpr, thersholds = roc_curve(y_label, y_pre, pos_label=2)
    roc_auc = auc(fpr, tpr)
    
    plt.plot(fpr, tpr, 'k--', label='ROC (area = {0:.2f})'.format(roc_auc), lw=2)
    
    plt.xlim([-0.05, 1.05])  # 设置x、y轴的上下限，以免和边缘重合，更好的观察图像的整体
    plt.ylim([-0.05, 1.05])
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')  # 可以使用中文，但需要导入一些库即字体
    plt.title('ROC Curve')
    plt.legend(loc="lower right")
    plt.show()