首先以支持向量机模型为例
先导入需要使用的包，我们将使用roc_curve这个函数绘制ROC曲线！
from sklearn.svm import SVC
from sklearn.metrics import roc_curve
from sklearn.datasets import make_blobs
from sklearn. model_selection import train_test_split
import matplotlib.pyplot as plt
%matplotlib inline
然后使用下面make_blobs函数，生成一个二分类的数据不平衡数据集；
使用train_test_split函数划分训练集和测试集数据；
训练SVC模型。
X,y = make_blobs(n_samples=(4000,500), cluster_std=[7,2], random_state=0)
X_train,X_test,y_train, y_test = train_test_split(X,y,random_state=0)
clf = SVC(gamma=0.05).fit(X_train, y_train)
fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test))
plt.plot(fpr,tpr,label='ROC')
plt.xlabel('FPR')
plt.ylabel('TPR')
从上面的代码可以看到，我们使用roc_curve函数生成三个变量，分别是fpr,tpr, thresholds，也就是假正例率（FPR）、真正例率（TPR）和阈值。
而其中的fpr,tpr正是我们绘制ROC曲线的横纵坐标，于是我们以变量fpr为横坐标，tpr为纵坐标，绘制相应的ROC图像如下：
值得注意的是上面的支持向量机模型使用的decision_function函数，是自己所特有的，而其他模型不能直接使用。
比如说我们想要使用其他模型（例如决策树模型）的结果绘制ROC,直接套用上面的代码，会报错，会显示没有这个函数。
以决策树模型为例，解决上述问题（适用于除向量机外的模型）
导入决策树模型包以及训练模型的代码省略了，只需要手动改一改就行了，我们直接看绘图的代码！
fpr,tpr, thresholds = roc_curve(y_test,clf.predict_proba(X_test)[:,1])
plt.plot(fpr,tpr,label='ROC')
plt.xlabel('FPR')
plt.ylabel('TPR')
可以看到我们直接把只适用于支持向量机模型的函数decision_function更改成predict_proba(X_test)[:,1]就行了，让我们看看结果：
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
