结论：用sklearn.metrics.roc_curve和roc_auc_score可计算ROC曲线与AUC，但y_true需含两类样本且y_score必须为预测概率或决策得分，而非硬分类标签；AUC是曲线下精确面积（0.5为随机，1.0为完美），多分类时average参数才生效，ROC仅反映排序能力，不体现业务代价。
直接说结论：用 sklearn.metrics.roc_curve 和 sklearn.metrics.auc（或更推荐的 sklearn.metrics.roc_auc_score）就能算，但必须传对参数——尤其是预测概率而非硬分类标签。
为什么 roc_curve 报错 “Only one class present”？
这是最常卡住人的地方：你传给 roc_curve(y_true, y_score) 的 y_true 全是 0 或全是 1，或者 y_score 是模型输出的类别标签（如 [0, 1, 1, 0]），而不是预测概率或决策函数得分。
- 确保
y_true是二值数组（0和1），且两类都至少有一个样本 -
y_score必须是连续型分数：比如model.predict_proba(X)[:, 1]（逻辑回归、随机森林等支持概率）或model.decision_function(X)（SVM、线性分类器） - 如果模型不输出概率（如默认的
SVC），别直接用predict()结果——那只会返回 0/1，roc_curve没法画出曲线
怎么画 ROC 曲线并标出 AUC 值？
用 matplotlib 画图本身很简单，关键在于坐标轴和标注是否准确。AUC 值不是“越大越好”的模糊概念，而是曲线下面积的精确数值（0.5 是随机猜测，1.0 是完美区分）。
- 调用
fpr, tpr, _ = roc_curve(y_true, y_score)得到横纵坐标点 - 用
auc(fpr, tpr)计算面积；但更推荐直接用roc_auc_score(y_true, y_score)，它内部做了更鲁棒的插值处理 - 画图时记得加
plt.plot([0, 1], [0, 1], 'k--', label='Random')作为参考线 - 别忘了
plt.xlabel('False Positive Rate')和plt.ylabel('True Positive Rate')，否则别人看不懂横纵轴含义
roc_auc_score 的 average 参数怎么选？
这在多分类场景下才生效，但很多人误以为二分类也要设。实际上：
立即学习“Python免费学习笔记（深入）”；
- 二分类时
average参数被忽略，直接计算单个 AUC - 多分类时：
average='macro'对每个类单独算 ROC 再平均（不考虑样本量）；average='weighted'按各类样本数加权；average=None返回每个类的 AUC 数组 - 如果你做的是 One-vs-Rest（OvR），默认
average='macro'是合理选择；但若某类样本极少，weighted更反映整体性能
真正容易被忽略的是：ROC 和 AUC 只评价排序能力，不反映阈值选择后的实际业务代价。比如在癌症筛查中，你可能宁愿多查几个健康人（高 FPR），也不愿漏掉一个患者（低 TPR）——这时得结合成本矩阵或 Precision-Recall 曲线来看，不能只盯着 AUC 数字。
