根据定义，ROC 曲线代表区间中所有可能的阈值。$(-\infty, +\infty)$

这个数字是无限的，当然不能用计算机来表示。幸运的是，当您有一些数据时，您可以简化这一过程，并且只访问有限数量的阈值。

此数字对应于数据中唯一值的数量 + 1，或类似：

n_thresholds = len(np.unique(x)) + 1

x保存目标分数的数组在哪里( y_score)。

您可以检查 sklearn.metrics.roc_curve 的代码，了解它如何确定返回的阈值数量。我简单地看了看它，它说它试图降低次优的阈值（无论这意味着什么）并且这些阈值不会出现在 ROC 曲线上。所以阈值的数量并不总是等于分数的数量。

n_thresholds = len(np.unique(x)) + 1

阈值是一个连续的数值变量，但只有一些不是次优/有用的，这意味着只有那些阈值会影响混淆矩阵（因此影响真阳性率或/和假阳性率，从而影响 ROC 图）。

哪个阈值会影响混淆矩阵？数据的唯一值，如果将阈值从大于唯一值的数字移动到小于该唯一值的数字，则混淆矩阵必须改变。但是，如果您在任何两个唯一的相邻数据值之间移动阈值，则生成的混淆矩阵中的任何值都将保持不变，因此这些阈值是次优的。

但是为什么要加一个？

thresholds[0] 表示没有实例被预测并且任意设置为 max(y_score) + 1

来源：sklearn.metrics.roc_curve

因为它以the largest value in data+ 1 开头。

参考：
ROC和AUC，解释清楚！