这是代码和输出，我认为从输出来看，当fpr为0时，tpr为0，这是正确的，因为预测结果将所有内容标记为0。

但输出还表示，当fpr为1时，tpr也为1。我认为这是不正确的，因为预测器从未预测某事物为正（标签为1），那么fpr（= 正确预测1的数量/1的总数）和tpr（= 预测为1的数量/0的总数）怎么可能都为1呢？

输出，

[ 0.  1.][ 0.  1.][1 0]0.5

回答：

这两个示例将帮助您更好地理解FPR和TPR是如何计算的。

情况1：

y    = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])#                                          -^- 请注意这里的变化 

真正例 = 0
假正例 = 0
真负例 = 9
假负例 = 1

真正例率，（tpr）= 真正例 /（真正例 + 假负例）
因此，tpr = 0 /（0+1）= 0.

假正例率，（fpr）= 假正例 /（假正例 + 真负例）
因此，fpr = 0 /（0+9）= 0.

#输出:fpr → [ 0.  1.]tpr → [ 0.  1.]

情况2：

y    = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])pred = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])#                                          -^- 请注意这里的变化 

真正例 = 1
假正例 = 0
真负例 = 9
假负例 = 0

真正例率，（tpr）= 真正例 /（真正例 + 假负例）
因此，tpr = 1 /（1+0）= 1.

假正例率，（fpr）= 假正例 /（假正例 + 真负例）
因此，fpr = 0 /（0+9）= 0.

#输出:fpr → [ 0.  1.]tpr → [ 1.  1.]

注意：

根据roc_curve文档，明确指出thresholds[0]代表没有实例被预测，并被任意设置为max(pred)+1。[在这里，对于二元分类任务为2]

当计算出的fpr和tpr成为分数且不能量化为0或1时，这就变得有效。因此，threshold从0、1、2变化。例如，当pred数组的最后两个值变为1时，您会得到3个阈值，因为fpr和tpr成为分数值。

但在我们的案例中，fpr和tpr都为0或1，因此不需要第三个threshold值。

此外，fpr和tpr中的数组元素形成一个递增序列，即从0→1变化，并且必须满足形状>=2。因此，必须在数组的起始和终止值中同时包含0和1。

如果fpr和tpr的值为分数，数组的中间列将包含这些值，并在数组的两侧由0和1包围。