这次的结果是一个浮点值，结果就不一样了。由于预测结果是一个浮点值，我们设置不同的阈值就会得到不同的混淆矩阵。
比如，如果我们设置阈值为0.5，得到的混淆矩阵如下：
这样算出来的TPR和FPR分别是0.8，0.4。如果我们进一步放宽阈值，可以提升召回，也就是提升TPR，但与此同时FPR也会提升。比如如果我们把阈值放宽到0.2，我们可以识别出所有的正例，但是同样的，FPR也会上升：
根据上面这个混淆矩阵计算得出的结果TPR是1.0，FPR是0.6。也就是说我们选择不同的阈值会得到不同的TPR，和FPR。如果样本较少的话，画出来的ROC可能是锯齿形：
当样本的数量足够多之后，锯齿会变得越来越光滑，我们可以再用上一些平滑的方法，可以得到一个相对光滑的曲线，就变成了上面那张图：
