在机器学习中，AUC（Area Under the Curve）是评估二分类模型性能的常用指标。AUC表示ROC曲线（Receiver Operating Characteristic curve）下的面积，用于衡量模型在不同阈值下的预测能力。

下面是使用Python和scikit-learn库计算AUC和绘制ROC曲线的示例代码：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score, roc_curve
import matplotlib.pyplot as plt

# 生成一个二分类的示例数据集
X, y = make_classification(n_samples=1000, n_features=10, random_state=42)

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred_proba = model.predict_proba(X_test)[:, 1]  # 预测为正例的概率

# 计算AUC
auc = roc_auc_score(y_test, y_pred_proba)
print("AUC:", auc)

# 绘制ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba)
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.show()

在这个示例中，我们首先生成了一个包含1000个样本和10个特征的二分类数据集。然后，将数据集拆分为训练集和测试集，并使用逻辑回归模型进行训练。接下来，使用模型在测试集上进行预测，并计算AUC。最后，使用matplotlib库绘制ROC曲线。

需要注意的是，AUC的阈值是根据具体问题和需求来确定的。一般情况下，阈值为0.5，即当预测概率大于等于0.5时，将样本预测为正例；当预测概率小于0.5时，将样本预测为负例。但在某些特定问题中，可能需要根据实际情况来调整阈值。