“这是我参与更文挑战的第20天，活动详情查看： 更文挑战”
在Python中，通过如下代码就可以求出不同阈值下的命中率（TPR）和假警报率（FPR）的值，从而绘制出ROC曲线。
from sklearn.metrics import roc_curve
fpr,tpr,thres = roc_curve(y_test,y_pred_proba[:,1])
第1行代码引入roc_curve()函数。第2行代码为roc_curve()函数传入测试集的目标变量y_test及预测的流失概率y_pred_proba[:,1]，计算出不同阈值下的命中率和假警报率。因为roc_curve()函数返回的是一个含有3个元素的元组，其中默认第1个元素为假警报率，第2个元素为命中率，第3个元素为阈值，所以这里将三者分别赋给变量fpr（假警报率）、tpr（命中率）、thres（阈值）。
此时获得的fpr、tpr、thres为3个一维数组，通过如下代码可以将三者合并成一个二维数据表。
a=pd.DataFrame()
a['阈值']=list(thres)
a['假警报率']=list(fpr)
a['命中率']=list(tpr)
通过打印a.head()和a.tail()查看不同阈值下的假警报率和命中率，结果见下表。
可以看到，随着阈值的下降，命中率和假警报率都在上升。对该表格有几点说明如下。
第一，表格第1行的阈值表示只有当一个客户被预测流失的概率≥193%，才判定其会流失，但因为概率不会超过100%，所以此时所有客户都不会被预测为流失，此时命中率和假警报率都为0。可见这个阈值其实没有什么意义，那么为什么还要设置它呢？这个阈值是roc_curve()函数的默认设置，官方文档中对它的介绍是：“thresholds[0]represents no instances being predicted and is arbitrarilyset to max（y_score）+1.”。这句话的意思是第一个阈值没有含义，其往往设置为最大阈值（本案例中为0.9303）＋1，以保证没有任何记录被选中。
第二，表格第2行数据表示只有当一个客户被预测流失的概率≥93.03%，才判定其会流失，这个条件还是比较苛刻的，此时被预测为流失的客户还是很少，命中率为0.0028，即“预测为流失且实际流失的客户/实际流失的客户”这一比率为0.0028，假设此时共有5000组实际流失的客户，那么在该阈值条件下，实际流失的客户中会有5000×0.0028＝14人被准确判断为会流失。此时假警报率为0，即“预测为流失但实际未流失的客户/实际未流失的客户”这一比率为0，即实际未流失的客户中不会有人被误判为流失。
现在已知不同阈值下的假警报率和命中率,用Matplotlib库相关知识点绘制ROC曲线，代码如下。
import matplotlib.pyplot as plt
plt.plot(fpr,tpr)
plt.title('ROC')
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.show()
绘制的ROC曲线如下图所示。
通过如下代码则可以快速求出模型的AUC值。
from sklearn.metrics import roc_auc_score
score = roc_auc_score(y_test,y_pred_proba[:,1])
第1行代码引入roc_auc_score()函数；第2行代码为roc_auc_score()函数传入测试集中目标变量y_test的值及预测的流失概率。获得的AUC值为0.81，可以说预测效果还是不错的。
