roc_auc_score(Receiver Operating Characteristics(受试者工作特性曲线，也就是说在不同的阈值下，True Positive Rate和False Positive Rate的变化情况))
我们只考虑判为正的情况时，分类器在正例和负例两个集合中分别预测，如果模型很好，在正例中预测，百分百为正例，而在负例中预测，百分0为正例，说明模型分类能力很强，因为对于不同的例子进行了区别对待，正确识别了。
如果模型很差，在正负例两个集合中，全都一般判为正，一半判为负，则说明这个分类器啥也没干。
TPR(预测为正的在正例中的比例) = TP/P = TP/(TP+FN)
FPR(预测为正的在正例中的比例) = FP/N = FP/(FP+TN)
并且通过调整阈值，一定存在两个点：
1、全部样本都判正，则TPR=1, FPR=1
2、全部样本都判负，则TPR=0, FPR=0
所以，如果分类器啥也没干，则为中间虚线，AUC=AUCmin=0.5
如果分类器真正有识别能力，则TPR>FPR，也就是在正例中更倾向于判正，负例中倾向于判负，为图中实线。
如果在某一阈值下，TPR为1，FPR=0，则这个分类器经过点（0，1），AUC=AUCmax=1
实际模型判定时，通常令thresh=0.5，即高于0.5判正，低于0.5判负。但考虑到样本不均的问题，我们应该使用不同的thresh，然后去计算auc。这个过程可以让sklearn帮我们完成。
import numpy as np
from sklearn.metrics import roc_auc_score
y_true = np.array([0, 0, 1, 1])
y_scores = np.array([0.1, 0.4, 0.35, 0.8])
roc_auc_score(y_true, y_scores)
0.75
auc就是曲线下面积，这个数值越高，则分类器越优秀