如何利用Python绘制ROC曲线？

Python画ROC曲线

ROC曲线（Receiver Operating Characteristic Curve）是一种用于评估分类器性能的图形工具，它显示了在不同阈值下真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）之间的关系，下面是一个使用Python和matplotlib库绘制ROC曲线的例子：

确保已经安装了所需的库：

pip install numpy matplotlib scikit-learn

可以使用以下代码来生成ROC曲线：

import numpy as np
from sklearn import metrics
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
创建一个模拟数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
使用逻辑回归模型进行分类
clf = LogisticRegression()
clf.fit(X_train, y_train)
y_pred_proba = clf.predict_proba(X_test)[::, 1]
计算不同阈值下的TPR和FPR
fpr, tpr, thresholds = metrics.roc_curve(y_test, y_pred_proba)
计算AUC值
roc_auc = metrics.auc(fpr, tpr)
绘制ROC曲线
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic Example')
plt.legend(loc="lower right")
plt.show()

这段代码首先创建了一个模拟的二分类数据集，并将其分为训练集和测试集，使用逻辑回归模型对测试集进行分类，并计算预测概率，使用metrics.roc_curve函数计算不同阈值下的真阳性率和假阳性率，以及使用metrics.auc函数计算曲线下面积（AUC），使用matplotlib库绘制ROC曲线。