Python机器学习：roc_curve()生成ROC曲线
ROC曲线越接近纵轴，模型预测精度越高，能直观地表现模型精度。用sklearn里面的roc_curve()函数，就能一键计算FPR和TPR，快速生成ROC曲线啦。
先复习一下ROC曲线的构成：X轴代表假阳率，Y轴代表真阳率。我们要得到的值就是预测对的TPR、和预测错FPR的两组值。
模型准备：
思路是：先把模型训练好，生成测试集的结果y_test_proba备用。接着用roc_curve()，计算FPR和TPR，以及生成ROC曲线。
import lightgbm as lgb
model_lgb = lgb.LGBMClassifier().fit(X_train, y_train)
y_test_proba = model_lgb.predict_proba(X_test)[:, 1]ROC曲线的绘制：
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve
fpr, tpr, thresholds = roc_curve(y_test, y_test_proba)
plt.plot(fpr, tpr)代码讲解：
matplotlib指绘图的包；
roc_curve是sklearn里面计算ROC曲线的函数，能返回FPR（假阳率）、TPR（真阳率）、和用于确定真正率和假正率的阈值；
fpr, tpr, thresholds 是我们自定义的参数名，分别用来存FPR（假阳率）、TPR（真阳率）、和用于确定真正率和假正率的阈值；
plot()能绘制点线图，把横轴FPR和纵轴TPR填进去就能生成ROC曲线啦。
运行结果：
图形很接近真阳率TPR的纵轴，说明模型结果拟合得还不错。