注意：画pr曲线可以参考http://www.cnblogs.com/aquastone/p/random-classifier.html
对matrix或array型数据做2分类时，如何画出其roc曲线？
1）首先看一下roc_curve的定义：
ROC曲线的全称是“受试者工作特性”曲线（Receiver Operating Characteristic），源于二战中用于敌机检测的雷达信号分析技术。是反映敏感性和特异性的综合指标。它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，判别的准确性越高。在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。
2）如何作出ROC曲线：
根据机器学习中分类器的预测得分对样例进行排序，按照顺序逐个把样本作为正例进行预测，计算出FPR和TPR。分别以FPR、TPR为横纵坐标作图即可得到ROC曲线。所以作ROC曲线时，需要先求出FPR和TPR。这两个变量的定义：
FPR = TP/(TP+FN)
TPR = TP/(TP+FP)
TP、FN、FP的定义见下表，表中描述了是一个二分类问题的混淆矩阵：
fig.1.分类结果混淆矩阵
表格来源：http://blog.csdn.net/ai_vivi/article/details/43836641
TP：正确肯定——实际是正例，识别为正例
FN：错误否定（漏报）——实际是正例，却识别成了负例
FP：错误肯定（误报）——实际是负例，却识别成了正例
TN：正确否定——实际是负例，识别为负例
3）ROC曲线示意图
fig.2.ROC曲线示意图
将样本输入分类器，每个样本将得到一个预测得分。我们通过设置不同的截断点，即可截取不同的信息。对应此示例图中，每个阈值的识别结果对应一个点(FPR，TPR)。当阈值取最大时，所有样本都被识别成负样本，对应于坐下角的点(0,0); 当阈值取最小时，所有样本都被识别成正样本，对应于右上角的点(1,1)，随着阈值从最大变化到最小，TP和FP都逐渐大；
那么得到曲线后我们将用什么指标来衡量ROC曲线的好坏呢？这里给出AUC这个指标。AUC表示ROC曲线下方的面积值AUC（Area Under ROC Curve）：如果分类器能完美的将样本进行区分，那么它的AUG = 1 ; 如果模型是个简单的随机猜测模型，那么它的AUG = 0.5，对应图中的直线（y=x）。此外，如果一个分类器优于另一个，则它的曲线下方面积相对较大。
4）如何用python的sklearn画ROC曲线
sklearn.metrics.roc_curve函数提供了很好的解决方案。
首先看一下这个函数的用法：
fpr, tpr, thresholds=
sklearn.metrics.roc_curve(y_true,y_score,pos_label=None,sample_weight=None,
drop_intermediate=True)
参数解析（来源sklearn官网）：
y_true: array, shape = [n_samples]
True binary labels in range {0, 1} or {-1, 1}. If labels are not binary, pos_label should be explicitly given.
即真实标签矩阵。
y_score : array, shape = [n_samples]
Target scores, can either be probability estimates of the positive class, confidence values, or non-thresholded measure of decisions (as returned by “decision_function” on some classifiers).
即模型的预测结果矩阵。
pos_label : int or str, default=None
Label considered as positive and others are considered negative.
即标签中认定为正的label个数。
例如label= [1,2,3,4]，如果设置pos_label = 2,则认为3,4为positive，其他均为negtive。
若label= ['a','a','b','c'], 设置pos_label =’则认为'b'为positive，其他均为negtive。
sample_weight: array-like of shape = [n_samples]
optional Sample weights.
即采样权重，可选择取其中的一部分进行计算。
drop_intermediate: boolean, optional (default=True)
Whether to drop some suboptimal thresholds which would not appear on a plotted ROC curve. This is useful in order to create lighter ROC curves.
即可选择去掉一些对于ROC性能不利的阈值，使得得到的曲线有更好的表现性能。
返回值Returns:
thresholds: array, shape = [n_thresholds]
Decreasing thresholds on the decision function used to compute fpr and tpr. thresholds[0] represents no instances being predicted and is arbitrarily set to max(y_score) + 1.
即所选择不同的阈值，按照降序排列。
fpr : array, shape = [>2]
Increasing false positive rates such that element i is the false positive rate of predictions with score >= thresholds[i].
根据不同阈值求出的fpr。
tpr: array, shape = [>2]
Increasing true positive rates such that element i is the true positive rate of
predictions with score >= thresholds[i].
根据不同阈值求出来的tpr上述方法可得到一组tpr和fpr，在此基础上即可作出roc曲线。求AUC可通过函数auc(fpr,tpr)，其返回值即为AUC的值。
5）实例分析如下：
import numpy as np
from sklearn import metrics
import matplotlib.pyplot as plt
from sklearn.metrics import auc
y = np.array([1,1,2,3])
#y为数据的真实标签
scores = np.array([0.1, 0.2, 0.35, 0.8])
#scores为分类其预测的得分
fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)
#得到fpr,tpr, thresholds
返回值对应如下：
得到一组fpr和tpr之后即可画出该次测试对应的roc曲线
plt.plot(fpr,tpr,marker = 'o')
plt.show()
得到ROC曲线：
fig.4.ROC曲线
求出AUC：
from sklearn.metrics import auc
AUC = auc(fpr, tpr)
最终得到AUC=0.67
