NLTK庫本身并不提供計算ROC曲線和AUC值的功能，但可以使用其他庫來實現這一功能，比如使用scikit-learn庫來計算ROC曲線和AUC值。
下面是一個使用NLTK和scikit-learn庫計算ROC曲線和AUC值的示例代碼：
from nltk.classify import SklearnClassifier
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
# 將NLTK分類器轉換為scikit-learn分類器
classifier = SklearnClassifier(LogisticRegression())
classifier.train(training_set)
X = [classifier.classify(features) for (features, label) in test_set]
y = [label for (features, label) in test_set]
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 訓練模型
classifier.fit(X_train, y_train)
# 預測概率
probs = classifier.predict_proba(X_test)
preds = probs[:,1]
# 計算ROC曲線和AUC值
fpr, tpr, threshold = roc_curve(y_test, preds)
roc_auc = auc(fpr, tpr)
print("AUC值：", roc_auc)
在這個示例中，我們首先使用NLTK庫和scikit-learn庫來訓練一個分類器，然后使用訓練好的模型對測試集進行預測并計算ROC曲線和AUC值。
注意：在實際應用中，可以根據具體的需求選擇合適的分類器和參數來訓練模型。
