受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。为了了解ROC曲线的意义，我们首先得了解一些变量。以下定义引自维基百科 最近在做一些分类的任务,评价中的ROC曲线在很多地方都会用得到,特别在论文中。在此记录一下在做ROC曲线的过程中遇到的一些坑。

更极端的像上图这种直接是一条曲线，这是因为在计算fpr与tpr过程中，会使用到数据的真实标注以及模型的预测结果，在计算fpr与tpr以及阈值时，preds的值应该使用分类器输出的概率值，而不是准确的分类结果0/1。

就像上图一样，输出的图像看起来不经过远点，将坐标轴的刻度设置的大一些，为[-0.05,1.05]即可。

SVM分类器中，将参数probability=True设置即可，神经网络中，在最后的全连接层输出结果上加上Softmax操作即可输出概率。