前言

关于ROC和PR曲线的介绍请参考：
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线

参考：
Python下使用sklearn绘制ROC曲线（超详细）
Python绘图|Python绘制ROC曲线和PR曲线

源码

from sklearn.metrics import roc_curve, auc
from sklearn.metrics import precision_recall_curve, average_precision_score
import matplotlib.pyplot as pltdef draw_roc(labels, preds):'''labels: listpreds: list'''fpr, tpr, thersholds = roc_curve(labels, preds, pos_label=1) # pos_label指定哪个标签为正样本roc_auc = auc(fpr, tpr)  # 计算ROC曲线下面积plt.figure(figsize=(10,7), dpi=300)plt.plot(fpr, tpr, '-', color='r', label='ROC (area=%.6f)' % (roc_auc), lw=2)plt.xlim([-0.05, 1.05])plt.ylim([-0.05, 1.05])plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.title('ROC Curve')plt.legend(loc="lower right")# plt.show()plt.savefig('./roc.png', dpi=300, bbox_inches='tight')def draw_pr(labels, preds):'''labels: listpreds: list'''precision, recall, thersholds = precision_recall_curve(labels, preds, pos_label=1) # pos_label指定哪个标签为正样本area = average_precision_score(labels, preds, pos_label=1)  # 计算PR曲线下面积plt.figure(figsize=(10,7), dpi=300)plt.plot(recall, precision, '-', color='r', label='PR (area=%.6f)' % (area), lw=2)plt.xlim([-0.05, 1.05])plt.ylim([-0.05, 1.05])plt.xlabel('Recall')plt.ylabel('Precision')plt.title('PR Curve')plt.legend(loc="lower left")# plt.show()plt.savefig('./pr.png', dpi=300, bbox_inches='tight')