AUCROC图像python代码
时间: 2025-05-19 09:09:31 浏览: 14
### AUC-ROC 曲线绘制与计算
以下是基于 `matplotlib` 和 `sklearn` 的 Python 示例代码,用于生成 AUC-ROC 曲线:
```python
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_curve, auc
import matplotlib.pyplot as plt
# 创建模拟数据集
X, y = make_classification(n_samples=1000, n_features=20,
n_classes=2, random_state=42)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 预测概率
y_prob = model.predict_proba(X_test)[:, 1]
# 计算FPR、TPR以及阈值
fpr, tpr, thresholds = roc_curve(y_test, y_prob)
# 计算AUC值
roc_auc = auc(fpr, tpr)
# 绘制ROC曲线
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (area = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') # 对角线代表随机分类器
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 Curve')
plt.legend(loc="lower right")
plt.show()
```
上述代码通过以下方式实现了 AUC-ROC 曲线的绘制:
- 数据集由 `make_classification` 函数生成[^1]。
- 使用 `train_test_split` 将数据划分为训练集和测试集。
- 应用了逻辑回归模型进行预测,并提取了正类别的预测概率。
- 调用 `roc_curve` 方法获取 FPR(假正例率)、TPR(真正例率)及其对应的阈值[^3]。
- 使用 `auc` 函数计算曲线下面积(AUC 值),并通过 `matplotlib` 进行可视化[^4]。
#### 关键概念解释
- **ROC 曲线** 是一种评估二分类模型性能的重要工具,它展示了 TPR 和 FPR 在不同决策阈值下的变化情况[^2]。
- **AUC 值** 表示 ROC 曲线下的面积,其范围通常介于 0 至 1 之间。较高的 AUC 值表明模型具有更好的区分能力。
---
###
阅读全文
相关推荐

















