python roc-auc图

### 绘制 Python 中 ROC-AUC 曲线的方法 以下是通过 `matplotlib` 和 `sklearn` 库实现绘制 ROC-AUC 曲线的完整方法： 要生成一条 ROC-AUC 曲线，需先计算真阳性率 (TPR) 和假阳性率 (FPR)，并利用 AUC 函数评估曲线下面积。此过程可以通过 `roc_curve` 和 `auc` 方法完成。 #### 示例代码 以下是一个完整的示例代码片段，展示如何基于预测概率数据生成 ROC-AUC 曲线： ```python import numpy as np from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 假设这是真实标签和模型预测的概率值 y_true = np.array([0, 0, 1, 1]) y_scores = np.array([0.1, 0.4, 0.35, 0.8]) # 计算 FPR、TPR 和阈值 fpr, tpr, thresholds = roc_curve(y_true, y_scores) # 计算 AUC 的值 roc_auc = auc(fpr, tpr) # 创建绘图对象 plt.figure() lw = 2 # 线宽设置 plt.plot( fpr, tpr, color="darkorange", lw=lw, label=f"ROC curve (area = {roc_auc:.2f})", # 添加 AUC 数值到标签中 ) plt.plot([0, 1], [0, 1], color="navy", lw=lw, linestyle="--") # 对角线代表随机猜测 plt.xlim([0.0, 1.0]) # 设置 x 轴范围 plt.ylim([0.0, 1.05]) # 设置 y 轴范围 plt.xlabel("False Positive Rate") # x 轴名称 plt.ylabel("True Positive Rate") # y 轴名称 plt.title("Receiver Operating Characteristic Curve") # 图形标题 plt.legend(loc="lower right") # 显示图例位置 plt.show() # 展示图形 ``` 上述代码实现了如下功能： - 使用 `roc_curve` 函数计算 TPR 和 FPR[^1]。 - 利用 `auc` 函数获取 AUC 值作为性能度量标准。 - 结合 `matplotlib` 完成可视化操作，其中对角虚线表示完全随机分类器的表现水平。 当实际应用时，请替换 `y_true` 和 `y_scores` 数据为具体任务中的测试集目标变量及其对应的预测概率得分。 #### 关键点解析 - **输入参数说明**: - `y_true`: 表示真实的二元类别标签数组。 - `y_scores`: 是由机器学习算法产生的样本属于正类别的置信分数向量。 - **输出解释**: - 返回三个列表：分别是不同决策边界下的假阳率 (`fpr`)、真阳率(`tpr`) 及相应的临界点 (`thresholds`)。 - 同时还提供了用于衡量整体区分能力的一个数值——AUC 面积大小[^2]。 #### 注意事项 如果模型表现较差，则可能得到接近于直线的结果；理想情况下希望看到的是靠近坐标系左上方的一条弯曲路径。