aucroc曲线代码
时间: 2025-02-24 18:27:10 浏览: 62
### 如何用Python绘制AUC-ROC曲线
为了展示如何使用 `sklearn` 和 `matplotlib` 库来绘制 AUC-ROC 曲线,下面提供了一个完整的 Python 代码示例。这段代码不仅展示了如何计算真正例率 (TPR) 和假正例率 (FPR),还说明了怎样通过这些数据点构建 ROC 曲线以及计算曲线下面积 (AUC)[^1]。
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
from itertools import cycle
import numpy as np
# 加载数据集并进行二值化处理
iris = datasets.load_iris()
X = iris.data
y = iris.target
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[1]
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)
# 训练逻辑回归模型(这里仅作为例子)
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression(multi_class='ovr', solver='lbfgs')
y_score = classifier.fit(X_train, y_train).decision_function(X_test)
# 对于每一个类别分别计算 FPR 和 TPR
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])
roc_auc[i] = auc(fpr[i], tpr[i])
# 绘制所有类别的 ROC 曲线
colors = cycle(['aqua', 'darkorange', 'cornflowerblue'])
for i, color in zip(range(n_classes), colors):
plt.plot(fpr[i], tpr[i], color=color,
lw=2, label='ROC curve of class {0} (area = {1:0.2f})'
''.format(i, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=2)
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 for multi-class data')
plt.legend(loc="lower right")
plt.show()
```
上述代码片段首先加载了鸢尾花数据集,并将其标签进行了二值化转换以便能够应用于多分类问题中的 ROC 分析;接着划分出了训练集与测试集用于后续建模评估工作;最后利用逻辑回归算法得到预测概率得分后调用了 `roc_curve()` 函数获取各个阈值下的 TPR 及 FPR 值,进而完成了对不同类别下 ROC 曲线及其对应 AUC 的可视化呈现[^2]。
阅读全文
相关推荐



















