对于 ROC 曲线，您需要模型生成测试点的排序（按属于正类的可能性排序）。几种方法：

1. 硬投票分类器通常只输出最终的类预测。这是一个命令，几乎所有的关系。这将产生两条直线段的 ROC 曲线，从正方形的角到代表模型特异性和灵敏度的单个点。不是最丰富的信息，但它就在那里。

2. 虽然您可能使用多数票来产生最终的类别预测，但您也可以稍微不同地解释它：通过平均来自基本模型的投票（作为二进制）来产生概率分数。最终的类别预测与将此分数设为 0.5 的阈值相同。所以现在你至少有更少的联系，你可以生成一个看起来更平滑的 ROC 曲线。如果您有很多基本模型，这将最有效，事实上这几乎正是您在构建随机森林时所做的。

3. 如果您的基本模型带有概率分数，那么对于每个阈值，您可以从所有基本模型中获取分类，并让这些投票产生类。改变该阈值会产生一条与任何基本模型的 ROC 曲线一样平滑的 ROC 曲线。问题在于，一个阈值是否对所有基本模型都代表相同的事物：您需要对所有基本模型进行良好校准，才能真正做到这一点。您还会失去对为每个基本模型设置不同阈值的潜在影响的洞察力。

可能会迟到，但对此的一种替代方法实际上是任何不返回概率的分类器，例如SVM使用Platt 缩放或等渗回归的校准

这样，您将拥有一个实际返回概率的分类器，即您将能够计算 ROC 曲线

参考：

https://mmuratarat.github.io/2019-10-12/probabilistic-output-of-svm#:~:text=SVMs%20don't%20output%20probabilities,the%20output%20to%20class%20probabilities.&text =在%20the%20binary%20case%2C%20the,validation%20on%20the%20training%20data