由于ROC曲线面积比较难求得，所以判断模型好坏一般使用AUC曲线
关于AUC曲线的绘制，西瓜书上写得比较学术，不太能理解，假设有这么一个样本集：
假设预测样本为20个，预测为正类的概率已经进行了排序，得分递减，画图步骤为：
(1) 在所排序的样本最左边，画一条线即 无 | 1 2 3 4 5 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=0，FN(实际为正，预测为负)=10，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=0，故而TPR=0，FPR=0
(2) 在第一个样本后面，画一条线即 1 | 2 3 4 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=1，FN(实际为正，预测为负)=9，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=0，故而TPR=0.1，FPR=0
(3) 在第二个样本后面，画一条线即 1 2| 3 4 …，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=2，FN(实际为正，预测为负)=8，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=0，故而TPR=0.2，FPR=0
(4) 在第三个样本后面，画一条线即 1 2 3| 4 5…，线左边的认为是正类，右边认为是负类，可以算出，TP(实际为正，预测为正)=2，FN(实际为正，预测为负)=8，TN(实际为负，预测为负)=10，FP(实际为负，预测为正)=1，故而TPR=0.2，FPR=0.1
... ...
依次例推：起点一定为（0,0），终点一定为（1,1），由此即可画出AUC曲线
但这样做比较繁琐，可以总结规律为：
按照预测为正类的概率值由大到小排序，首先起点一定是(0,0)，然后使用上述划线法进行计算，每次碰到一个预测为正的样本，则在Y方向加一个Y步长，否则在X方向加一个X步长，其中X和Y的步长，计算方法为X: 负类样本个数分之1，Y：正类样本个数分之1，如果是降序排列，则是减一个对应方向的步长即可。
代码部分详情可参考《机器学习实战》：
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
def plotROC(predStrengths,classLabels):
font = FontProperties(fname = r"c:\windows\fonts\simsun.ttc",size=14)
cur=(1.0,1.0) #绘制光标位置
ySum=0.0 #用于计算AUC
numPosClas=np.sum(np.array(classLabels)==1.0) #正类样本的个数
yStep = 1/float(numPosClas) #Y轴步长
xStep = 1/float(len(classLabels)-numPosClas) #X轴步长
sortedIndicies = predStrengths.argsort()
fig =plt.figure()
fig().clf()
ax=plt.figure()
for inddex in sortedIndicies.tolist()[0]:
if classLabels[index]==1.0
delX=0; delY = yStep #碰到一个正类，Y的步长减 1
else:
delX = xStep; delY=0 #碰到一个负类，X的步长减1
ySum += cur[1] #每次cur[1]都可能变化了 #高度累加
ax.plot([cur[0],cur[0]-delX],[cur[1],cur[1]-delY],c = 'b') #绘制ROC
cur = (cur[0]-delX,cur[1]-delY) #更新绘制光标的位置
ax.plot([0,1],[0,1],'b--')
plt.title('ROC曲线'，FontProperties =font)
plt.xlabel('假正例率'，FontProperties = font)
plt.ylabel(('真正例率',FontProperties = font))
ax.axis([0,1,0,1])
print('AUC面积：',ySum*xStep) #计算AUC
plt.show()
更新一段可用代码：
# coding=UTF-8
from sklearn import metrics
import matplotlib.pylab as plt
#真实值
GTlist = [1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0,
0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0]
#模型预测值
Problist = [0.99, 0.98, 0.97, 0.93, 0.85, 0.80, 0.79, 0.75, 0.70, 0.65,
0.64, 0.63, 0.55, 0.54, 0.51, 0.49, 0.30, 0.2, 0.1, 0.09]
fpr, tpr, thresholds = metrics.roc_curve(GTlist, Problist, pos_label=1)
roc_auc = metrics.auc(fpr, tpr) #auc为Roc曲线下的面积
print(roc_auc)
plt.plot(fpr, tpr, 'b',label='AUC = %0.2f'% roc_auc)
plt.legend(loc='lower right')
# plt.plot([0, 1], [0, 1], 'r--')
plt.xlim([-0.1, 1.1])
plt.ylim([-0.1, 1.1])
plt.xlabel('False Positive Rate') #横坐标是fpr
plt.ylabel('True Positive Rate') #纵坐标是tpr
plt.title('Receiver operating characteristic example')
plt.show()结果图：
