常见的方法是使用“一对多”（One-vs-Rest, OvR）策略，即将每个类别都看做一类，然后分别计算它们与其它类别的ROC曲线。具体实现可以使用sklearn.multiclass.OneVsRestClassifier类来实现，怎么写？

使用`sklearn.multiclass.OneVsRestClassifier`类来实现"一对多"策略，可以按照以下步骤进行：

1. 导入需要的库和模块：

from sklearn.multiclass import OneVsRestClassifier
from sklearn.metrics import roc_curve, auc
from sklearn.preprocessing import label_binarize

2. 对标签进行二元化处理，将多分类标签转化为二分类标签，例如：

y_bin = label_binarize(y, classes=[0, 1, 2, 3]) # y为原始多分类标签

3. 定义分类器和OneVsRestClassifier类：

clf = DecisionTreeClassifier() # 定义分类器
ovr = OneVsRestClassifier(clf) # 定义OneVsRest分类器

4. 训练分类器：

ovr.fit(X_train, y_train) # X_train和y_train为训练数据集

5. 预测测试数据集并计算ROC曲线和AUC：

y_score = ovr.predict_proba(X_test)
fpr, tpr, roc_auc = dict(), dict(), dict()
n_classes = y_bin.shape[1]
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_bin[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

这里使用了`predict_proba`方法来获取每个类别的概率分数，然后分别计算它们与其它类别的ROC曲线和AUC。最后，您可以绘制多分类的平均ROC曲线和AUC，或者分别绘制每个类别的ROC曲线。