sklearn.metrics 里面roc_curve,auc函数怎么用举个例子说明

可以这样使用：

import numpy as np
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 生成随机数据
y_true = np.array([0, 1, 1, 0, 1, 0, 1, 0])
y_scores = np.array([0.1, 0.8, 0.6, 0.3, 0.5, 0.2, 0.9, 0.4])

# 计算ROC曲线和AUC值
fpr, tpr, thresholds = roc_curve(y_true, y_scores)
roc_auc = auc(fpr, tpr)

# 画出ROC曲线
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange',
         lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

这段代码中，我们生成了一个8个样本的分类问题，其中`y_true`是真实标签，`y_scores`是分类器预测的分数。我们使用`roc_curve`函数计算出ROC曲线的横纵坐标，再用`auc`函数计算出AUC值。最后，我们使用`matplotlib`库画出了ROC曲线。