ROC曲線について(python)

Question

Pythonのkerasを用いた機械学習で二値分類問題を扱っています。
そこでROC曲線を描きたいのですが検索すると予測における確率を用いていたのですが、どこをいじれば確率が出るのかわかりません。いくつか試してみましたが予測後の結果しか出ずに困っています。ご教授よろしくお願いいたします。
コードは以下の通りです。

#モジュールの読み込み
from __future__ import print_function
import csv #csvモジュールの読み込み
import random
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop
from pandas import Series,DataFrame
from sklearn import metrics

y_true=[]
y_pred=[]



csv_file =open("XXXX",'r')


get_file = [] 
learn_data = []
check_data = []



if pattern == 1:
  #分けて学習
  for row in csv.reader(csv_file):
    get_file.append(row)
  check_data.append(get_file[0])  
  learn_data.append(get_file[0]) 
  del get_file[0]
  for i in range (len(get_file)):
    num = random.randint(1,10)
    if num == 1 or num == 2 :
      check_data.append(get_file[i]) 
    else:
      learn_data.append(get_file[i])
      
  #学習用CSV
  with open("XXXX", "w", encoding="Shift_jis") as f: # 文字コードをShift_JISに指定
      writer = csv.writer(f, lineterminator="\n") # writerオブジェクトの作成 改行記号で行を区切る
      writer.writerows(learn_data) # csvファイルに書き込み
  f.close()
  #検証用のCSV
  with open("XXXX", "w", encoding="Shift_jis") as f: # 文字コードをShift_JISに指定
      writer = csv.writer(f, lineterminator="\n") # writerオブジェクトの作成 改行記号で行を区切る
      writer.writerows(check_data) # csvファイルに書き込み
  f.close()

if pattern ==2:
  #分けずに学習、検証
  for row in csv.reader(csv_file):
    get_file.append(row)
  check_data.append(get_file[0])  
  learn_data.append(get_file[0]) 
  del get_file[0]
  for i in range (len(get_file)):
    num = random.randint(1,10)
    if num == 1 :
      check_data.append(get_file[i]) 
      learn_data.append(get_file[i])
    else:
      learn_data.append(get_file[i])
      
  #学習用CSV
  with open("XXXX", "w", encoding="Shift_jis") as f: # 文字コードをShift_JISに指定
      writer = csv.writer(f, lineterminator="\n") # writerオブジェクトの作成 改行記号で行を区切る
      writer.writerows(learn_data) # csvファイルに書き込み
  f.close()
  #検証用のCSV
  with open("XXXX", "w", encoding="Shift_jis") as f: # 文字コードをShift_JISに指定
      writer = csv.writer(f, lineterminator="\n") # writerオブジェクトの作成 改行記号で行を区切る
      writer.writerows(check_data) # csvファイルに書き込み
  f.close()




#CSVファイルの読み込み
#分割データ
if pattern ==1:
  sig_data_set = pd.read_csv("XXXX",header=0,encoding='Shift_jis')

#分割データ
if pattern ==2:
  sig_data_set = pd.read_csv("XXXX",header=0,encoding='Shift_jis')

#説明変数
x = DataFrame(sig_data_set.drop("judge",axis=1))

#目的変数
y = DataFrame(sig_data_set["judge"])

#説明変数・目的変数をそれぞれ訓練データ・テストデータに分割
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.4)


#データの整形
x_train = x_train.astype(np.float)
x_test = x_test.astype(np.float)

y_train = keras.utils.to_categorical(y_train,2)
y_test = keras.utils.to_categorical(y_test,2)



#ニューラルネットワークの実装①
model = Sequential()
model.add(Dense(12,activation='relu', input_shape=(8,)))
model.add(Dropout(0.2))
model.add(Dense(12, activation='sigmoid'))
model.add(Dropout(0.2))
model.add(Dense(8, activation='sigmoid'))
model.add(Dropout(0.2))
model.add(Dense(8, activation='sigmoid'))
model.add(Dropout(0.2))
model.add(Dense(2, activation='sigmoid'))
model.summary()

#ニューラルネットワークの実装②
#model.compile(loss='mean_squared_error',optimizer=RMSprop(lr=1e-3),metrics=['accuracy'])
model.compile(loss='binary_crossentropy',optimizer=RMSprop(lr=1e-3),metrics=['accuracy'])
#ニューラルネットワークの学習
history = model.fit(x_train, y_train,batch_size=8,epochs=300,verbose=1,validation_data=(x_test, y_test))

#ニューラルネットワークの推論
score = model.evaluate(x_test,y_test,verbose=1)
print("\n")
print(score)

#評価したいデータを設定
#分割データ
if pattern ==1:
  sig_check = pd.read_csv("XXXX",encoding='Shift_jis')

#非分割データ
if pattern ==2:
  sig_check = pd.read_csv("XXXX",encoding='Shift_jis')

sample = np.array(DataFrame(sig_check.drop("judge",axis=1)))


#実測値を抽出
#分割データ
if pattern ==1:
  csv_file = open("XXXX",'r')

#非分割データ
if pattern ==2:
  csv_file = open("XXXX",'r')

real_judge = [] 
for row in csv.reader(csv_file):
    real_judge.append(row[-1])
del real_judge[0]

predict = model.predict_classes(sample[0].reshape(1,-1),batch_size=1,verbose=0)

#予測を行なう
print("---予測値,実測値---")
for i in range(len(sample)):
  predict = model.predict_classes(sample[i].reshape(1,-1),batch_size=1,verbose=0)
  y_true.append(int(real_judge[i]))
  y_pred.append(int(predict[0]))
  print(predict[0],real_judge[i])
  
  

  
cm = confusion_matrix(y_true, y_pred)
tn, fp, fn, tp = cm.flatten()
print("-----混同行列-----")
print("TP(真陽性)=%d"%tp)
print("TN(真陰性)=%d"%tn)
print("FN(偽陰性)=%d"%fn)
print("FP(偽陽性)=%d"%fp)

#sns.heatmap(cm, annot=True, cmap='Blues')
#plt.savefig('confusion_matrix.png')


#評価指標
Recall=tp/(tp+fn)
Prediction=tp/(tp+fp)
Acc=(tp+tn)/(tp+tn+fp+fn)
B_Acc=1/2*((tp/(tp+fn))+(tn/(tn+fp)))
HSS=(2*(tp*tn-fp*fn))/((tp+fn)*(fn+tn)+(tp+fp)*(fp+tn))
TSS=tp/(tp+fn)-fp/(tn+fp)


print("-----評価指標-----")
print("Recall=%f"%Recall)
print("Prediction=%f"%Prediction)
print("ACC=%f"%Acc)
print("BACC=%f"%B_Acc)
print("HSS=%f"%HSS)
print("TSS=%f"%TSS)






def plot_history(history):
    # print(history.history.keys())

    # 精度の履歴をプロット
    plt.plot(history.history['accuracy'])
    plt.plot(history.history['val_accuracy'])
    plt.title('model accuracy')
    plt.xlabel('epoch')
    plt.ylabel('accuracy')
    plt.legend(['accuracy', 'val_accuracy'], loc='lower right')
    plt.savefig('accuracy.png')
    
    plt.figure()
    
    # 損失の履歴をプロット
    plt.plot(history.history['loss'])
    plt.plot(history.history['val_loss'])
    plt.title('model loss')
    plt.xlabel('epoch')
    plt.ylabel('loss')
    plt.legend(['loss', 'val_loss'], loc='lower right')
    plt.savefig('loss.png')  
# 学習履歴をプロット
plot_history(history)