以A、B、C三类为例，步骤如下：
1、 测试集共m个样本，分别计算每个样本与对比集的cos距离（对比集由A、B、C三类构成），根据结果构建概率矩阵P[m*3]，再基于one-hot构建标签矩阵L[m*3]；
2、 P的每一列即各样本属于该列对应类别的概率，则可以计算每个类别的ROC曲线和auc值；
3、 计算整体ROC曲线和auc值
（1） 方法一：macro，对n条ROC曲线取平均，即可得到最终的ROC曲线
分析：该方法不考虑类别不均衡的影响；
（2） 方法二：micro，参考下面
计算总的TP rate和FP rate，然后计算ROC曲线和auc值。
(3) 方法三：weighted，通过每个类别的TP数所占比例进行加权平均；
备注：目前sklearn.metrics.roc_auc_score(仅支持macro 和 weighted)