你对ROC曲线的理解是错误的。ROC曲线绘制了不同阈值下真阳性率(敏感度) tpr = tp / (tp + fn)与假阳性率(1特异性) 1 - (tn / (tn + fp)之间的关系。现在，我看到你的标题表明你想要一个“敏感度和特异性的ROC”，但实际上这样的东西并不存在。同时解决敏感性和特异性的方法是通过ROC曲线。

为了得到ROC曲线，将绘图更改为：

plt.plot(fpr, tpr, 'b', label = 'AUC = %0.2f' % roc_auc)

从上面的解释中，您可以看到如何计算假阳性率和真阳性率。

然后，在解释ROC曲线时，您希望分类器的位置尽可能靠近左上角，表示低的假阳性率(高特异性)和高的真阳性率(高灵敏度)。也就是说，假阳性率并不代表特异性，而是特异性的负值。这就是为什么你希望它是最小的。

最后但并非最不重要的一点是，当涉及到ROC曲线时，经常会让人感到困惑的情况是，在X轴上有specificity而不是1 - specificity。当发生这种情况时，值的方向是相反的(如图中所示)，因此它从1到0而不是从0到1。