roc曲线
1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。
横轴：负正类率(false postive rate, FPR)，特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)
纵轴：真正类率(true postive rate, TPR)，灵敏度，Sensitivity(正类覆盖率)
2、针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.
(1)若一个实例是正类并且被预测为正类，即为真正类(True Postive ,TP)
(2)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative, FN)
(3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive ,FP)
(4)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative ,TN)
混淆矩阵如下，1代表正类，0代表负类：
| predict: 0 | predict: 1 | |
|---|---|---|
| label: 0 | TN | FP |
| label: 1 | FN | TP |
由上表可得出横，纵轴的计算公式：
(1)真正类率(True Postive Rate)TPR: TP/(TP+FN),代表分类器预测的正类中实际正实例占所有正实例的比例。Sensitivity
(2)负正类率(False Postive Rate)FPR: FP/(FP+TN)，代表分类器预测的正类中实际负实例占所有负实例的比例。1-Specificity
(3)真负类率(True Negative Rate)TNR: TN/(FP+TN),代表分类器预测的负类中实际负实例占所有负实例的比例，TNR=1-FPR。Specificity
假设采用逻辑回归分类器，其给出针对每个实例为正类的概率，那么通过设定一个阈值如0.6，概率大于等于0.6的为正类，小于0.6的为负类。对应的就可以算出一组(FPR,TPR),在平面中得到对应坐标点。随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0),阈值最小时，对应坐标点(1,1)。
如下面这幅图，(a)图中实线为ROC曲线，线上每个点对应一个阈值。
横轴FPR:1-TNR,1-Specificity，FPR越大，预测正类中实际负类越多。
纵轴TPR：Sensitivity(正类覆盖率),TPR越大，预测正类中实际正类越多。
理想目标：TPR=1，FPR=0,即图中(0,1)点，故ROC曲线越靠拢(0,1)点，越偏离45度对角线越好，Sensitivity、Specificity越大效果越好。
如何画roc曲线
假设已经得出一系列样本被划分为正类的概率，然后按照从大到小排序，下图是一个示例，图中共有20个测试样本，“Class”一栏表示每个测试样本真正的标签（p表示正样本，n表示负样本），“Score”表示每个测试样本属于正样本的概率。
首先统计出，一共含有10个正样本、10个负样本。 首先，以(0,0)为初始起点。
接下来，我们从高到低，依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。从第一个样本开始（标签为positive正类），设该样本的Score值为阈值，则该样本之后的样本(还剩余9个positive、10个negative)判为负样本，计算得TPR=1/10=0.1,FPR=0/10=0.0，即ROC曲线(0, 0.1)点；再选择第二个样本点（标签为positive正类）的Score作为阈值，大于等于该阈值的样本(2个positive)判为正样本，小于该阈值（还剩余8个positive、10个negative）的判为负样本，计算TPR=2/10=0.2，FRP=0/10=0.0，可在ROC图画出该点。
这样一来，我们一共得到了20组FPR和TPR的值，将它们画在ROC曲线的结果如下图：
我们可以大致推断出，当新样本真实分类为Positive时候，阶梯数值向上一个单位（（1/真实正样本总数））；当新样本真实分类为negative时候，阶梯水平向右移动一个单位（1/真实负样本总数）。
两种ROC曲线画法：
上面是将样本的预测Score从大到小排列，从第一个Socre作为阈值，依次遍历所有Score。先得出全判负类时TPR，FPR的值，最后得出全判正类的TPR，FPR的值，画ROC曲线对应的先画出(0,0)点，最后再画出(1,1)点；
另外一种方法是，将样本的预测Score从小到大排列，从第一个Socre作为阈值，依次遍历所有Score。先得出全判正类时TPR，FPR的值，最后得出全判负类的TPR，FPR的值，画ROC曲线对应的先画出(1,1)点，最后再画出(0,0)点。
AUC(Area under Curve)：Roc曲线下的面积，介于0.1和1之间。
AUC作为数值可以直观的评价分类器的好坏，值越大越好。
首先AUC值是一个概率值，当你随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。
计算代码
直接调库sklearn :
from sklearn.metrics import roc_auc_score
以刚才图片中的数值为例子：
from sklearn.metrics import roc_auc_score
import numpy as np
label = np.array([1, 1, 0, 1, 1, 1, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0])
pred = np.array([0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.505, 0.4, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33, 0.30, 0.1])
score = roc_auc_score(label, pred)
print(score)
改变类型为列表:
改变类型为pytorch张量:
参考
https://blog.csdn.net/taotiezhengfeng/article/details/80456110