ROC（Receiver Operating Characteristic，接受者操作特征）指标是评估分类模型性能的一种常用方法。以下是添加ROC指标的一般步骤：
1. 准备数据
确保你有一个包含真实标签和预测概率（或分数）的数据集。
2. 安装必要的库
在Python中，你可以使用`sklearn.metrics`库来计算ROC指标。
```python
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
```
3. 计算ROC曲线和AUC值
```python
真实标签
y_true = ...
预测概率
y_scores = ...
计算fpr, tpr, thresholds
fpr, tpr, thresholds = roc_curve(y_true, y_scores)
计算AUC值
roc_auc = auc(fpr, tpr)
```
4. 绘制ROC曲线
```python
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()
```
5. 解释结果
AUC值：表示模型区分正负样本的能力。AUC值在0.5到1之间，接近1表示模型性能越好。
ROC曲线：展示了模型在不同阈值下的性能。曲线越靠近左上角，模型性能越好。
以上步骤可以帮助你添加ROC指标并评估分类模型的性能。希望对你有所帮助！
