ROC曲线（Receiver Operating Characteristic Curve）是评估二分类模型性能的一种重要工具，它通过展示真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系，来帮助分析模型在不同阈值下的表现。在机器学习中，当我们的模型给出的是每个样本属于正类的概率时，ROC曲线尤为重要。
正常情况下，ROC曲线是由多个点构成的连续曲线，这些点对应于不同的分类阈值。如果ROC曲线只有一个点，那么意味着模型只使用了一个固定的阈值来进行分类，没有根据不同的概率调整决策边界，这通常是因为模型的输出不是概率值，或者在绘制曲线时未正确使用概率。
问题的解决方案在于确保模型能够提供样本属于正类的概率估计。以Gradient Boosting Classifier（GDBT）为例，`predict()`方法只会返回样本的类别预测，而不会提供概率。要获取概率，我们需要使用`predict_proba()`方法，它返回一个二维数组，其中每行代表一个样本，每列对应于每个类别的概率。对于二分类问题，第二列（索引为1）通常是正类的概率。
在绘制ROC曲线时，应使用`predict_proba()`返回的正类概率作为输入。例如，对于GDBT模型，可以这样操作：
```python
gbc = GradientBoostingClassifier()
gbc.fit(x_train, y_train)
resu = gbc.predict(x_test)
y_pred_gbc = gbc.predict_proba(x_test)[:,1] # 获取正类的概率
fpr, tpr, thresholds = roc_curve(y_test, y_pred_gbc) # 使用概率计算FPR和TPR
```
然后，利用`fpr`、`tpr`和`thresholds`绘制ROC曲线，代码如下：
```python
import matplotlib.pyplot as plt
from sklearn.metrics import roc_auc_score as rocauc
plt.plot(fpr, tpr, 'b', label='AUC = %0.2f' % rocauc)
plt.legend(loc='lower right')
plt.plot([0, 1], [0, 1], 'r--') # 绘制随机猜测的ROC曲线
plt.xlim([0, 1])
plt.ylim([0, 1])
plt.ylabel('真正率')
plt.xlabel('假正率')
plt.show()
```
以上就是解决ROC曲线画出来只有一个点问题的关键所在。确保模型输出概率，并在计算和绘制ROC曲线时使用这些概率，将能得到一条反映模型性能的完整曲线。同时，AUC（Area Under the Curve）是ROC曲线下的面积，用于量化模型的整体性能，值越接近1，表示模型的区分能力越强。
