4. ROC曲线的绘制原理：从阈值到坐标点

上一章我们聊了AUC为什么比准确率靠谱。这章深入一点——ROC曲线到底是怎么画出来的？说白了，就是我们把模型的输出分数切成一个个小段，每个小段算一组真假阳性率，然后把这些点连成线。我在项目里亲手画过几百条这种曲线，坑踩了不少，今天一次性说清楚。

4.1 阈值是什么？

分类模型输出的往往是概率（比如0.82），而不是直接的0/1标签。你得定一个“切割点”——概率高于这个点的算正类，低于的算负类。这个切割点就是阈值（threshold）。

默认情况下，很多库把阈值设为0.5。但实际业务中，阈值可以任意取。比如我做过一个欺诈检测项目，宁可误报也不能漏报，就把阈值降到0.3。你想想看，阈值一变，预测结果全变，ROC曲线就要重新算。

4.2 混淆矩阵：一切计算的起点

给定一个阈值，我们先统计四格表。以二分类为例：

然后算两个核心指标：

• TPR (True Positive Rate) = TP / (TP + FN) —— 也叫召回率，代表“所有正样本中，我抓对了多少”。
• FPR (False Positive Rate) = FP / (FP + TN) —— 代表“所有负样本中，我错抓了多少”。

这两个值就是ROC曲线的横纵坐标。我曾犯过一个低级错误：把精确率（Precision）当成纵坐标，画出来的图完全不对，到处问才知道弄混了。

4.3 从阈值到坐标点——手动走一遍

假设我们有5个样本的真实标签和预测概率：

现在我们把阈值从1.0逐渐降到0.0，每一步算一个(TPR, FPR)点。

1. 阈值 = 1.0：没有样本被预测为正，TP=0, FP=0, FN=3, TN=2。TPR=0/3=0，FPR=0/2=0。得到点(0,0)。
2. 阈值 = 0.9：只有A高于阈值，A真实为1→TP=1, FP=0, FN=2, TN=2。TPR=1/3≈0.33，FPR=0/2=0。点(0,0.33)。
3. 阈值 = 0.8：A和B都高于阈值，A和B都是正→TP=2, FP=0, FN=1, TN=2。TPR=2/3≈0.67，FPR=0。点(0,0.67)。
4. 阈值 = 0.7：A、B、C高于阈值。A和B是正，C是负→TP=2, FP=1, FN=1, TN=1。TPR=2/3≈0.67，FPR=1/2=0.5。点(0.5,0.67)。
5. 阈值 = 0.3：A、B、C、D高于阈值。A、B、E是正→TP=2（A和B）, FP=2（C和D）, FN=1（E）, TN=0。TPR=2/3≈0.67，FPR=2/2=1。点(1,0.67)。
6. 阈值 = 0.1：全为正→TP=3, FP=2, FN=0, TN=0。TPR=1，FPR=1。点(1,1)。

把这些点连起来，就是一条从(0,0)到(1,1)的折线。每一个阈值对应一个离散点。样本越多、概率越密，曲线就越平滑。

4.4 为什么阈值要从高往低扫？

你可能会问：为什么不能从低往高？其实都可以。但习惯上我们从最高阈值开始，因为此时模型最“谨慎”——只有极度信任才判为正，所以TPR和FPR都接近0。然后逐渐放松标准，曲线往右上角走。我用matplotlib画过很多次，最后发现库函数底层也是这么干的。

4.5 代码实现：自己画一遍更踏实

我个人习惯先手写一段循环，看看每个阈值对应的坐标，再用sklearn验证。这样理解深刻。

import numpy as np
import matplotlib.pyplot as plt

# 真实标签和预测概率
y_true = np.array([1, 1, 0, 0, 1])
y_scores = np.array([0.9, 0.8, 0.7, 0.3, 0.1])

# 所有可能的阈值（从高到低）
thresholds = np.sort(np.unique(y_scores))[::-1]
# 加上两个边界
thresholds = np.concatenate([[1.0], thresholds, [0.0]])

tpr_list = []
fpr_list = []

for thr in thresholds:
    pred = (y_scores >= thr).astype(int)
    tp = np.sum((pred == 1) & (y_true == 1))
    fn = np.sum((pred == 0) & (y_true == 1))
    fp = np.sum((pred == 1) & (y_true == 0))
    tn = np.sum((pred == 0) & (y_true == 0))
    tpr = tp / (tp + fn) if (tp + fn) > 0 else 0
    fpr = fp / (fp + tn) if (fp + tn) > 0 else 0
    tpr_list.append(tpr)
    fpr_list.append(fpr)

plt.plot(fpr_list, tpr_list, marker='o')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')
plt.title('ROC Curve (Manual)')
plt.grid(True)
plt.show()

输出是一张折线图，每个拐角处就是我们刚才算出来的6个点。你把它和sklearn的`roc_curve()`对比一下，结果完全一致。

4.6 关于“至少取多少阈值”的一点经验

理论上，有多少个样本就有多少个不同的概率值（加上边界）。但实际应用时，如果样本量很大（比如10万+），阈值点太多会导致曲线锯齿严重。我的做法是先等间距取100~200个阈值点，既保证曲线平滑，又节省计算时间。当然，如果做严格评估，用全部的样本阈值。

4.7 一个常见的陷阱：标签不平衡时的坐标点

当正负样本严重不均衡时，比如正样本只有1个，负样本999个，你会发现FPR的分母很大，导致FPR的步长非常小。我曾经在信用卡欺诈数据上画ROC，阈值从0.9降到0.5时，FPR几乎纹丝不动，因为分母太大，分子（FP）增加几个根本看不出来。这时候曲线会贴着左边界上升，直到阈值极低才突然右拐。这不是bug，是数据特性造成的。你看到这种形状，心里要有数。

4.8 核心流程总结

下面这张图把整个绘制过程串起来，我建议你收藏，下次写代码时心里先过一遍这张图。

画ROC这件事，本质上就是把连续的概率预测转化成离散的决策点，再把这些点的表现画出来。你掌握了从阈值到坐标点的映射逻辑，后面理解AUC的计算、多分类ROC扩展，都会轻松很多。