大良网站建设价格上海好的网络推广公司

以下是使用Python绘制AUC曲线（即ROC曲线）的完整步骤及代码示例，综合多个权威教程整理：

一、核心步骤

1. 数据准备
   • 数据集需包含真实标签（二分类：0/1）和模型输出的预测概率值（连续值）。可使用pandas读取数据并检查缺失值。
   • 示例数据集：乳腺癌分类数据（sklearn.datasets.load_breast_cancer）。

2. 模型训练与预测概率计算
   • 常用模型如逻辑回归、随机森林等，通过predict_proba()方法获取预测概率值。

   from sklearn.ensemble import RandomForestClassifier
   from sklearn.model_selection import train_test_split# 加载数据集
   data = load_breast_cancer()
   X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)# 训练模型并获取预测概率
   model = RandomForestClassifier()
   model.fit(X_train, y_train)
   y_pred_prob = model.predict_proba(X_test)[:, 1]  # 正类概率
   

3. 计算AUC值与ROC曲线参数
   • 使用sklearn.metrics中的roc_auc_score和roc_curve函数：

   from sklearn.metrics import roc_auc_score, roc_curve# 计算AUC
   auc_score = roc_auc_score(y_test, y_pred_prob)
   print(f"AUC值：{auc_score:.2f}")  # 示例输出：0.92# 获取FPR和TPR
   fpr, tpr, thresholds = roc_curve(y_test, y_pred_prob)
   

4. 绘制ROC曲线
   • 使用matplotlib可视化结果，并添加对角线作为参考线：

   import matplotlib.pyplot as pltplt.figure(figsize=(8, 6))
   plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线 (AUC = {auc_score:.2f})')
   plt.plot([0, 1], [0, 1], 'k--', lw=2)  # 随机猜测参考线
   plt.xlim([0.0, 1.0])
   plt.ylim([0.0, 1.05])
   plt.xlabel('假阳性率 (FPR)')
   plt.ylabel('真阳性率 (TPR)')
   plt.title('ROC曲线')
   plt.legend(loc="lower right")
   plt.show()
   

   效果示例：
   ![ROC曲线示意图，AUC值标注在右下角]

二、关键解释

1. AUC值解读
   • 0.5-0.7：模型区分能力较弱；0.7-0.9：中等至良好；>0.9：非常优秀。
   • 若AUC接近0.5，说明模型与随机猜测无异。

2. ROC曲线优化
   • 多模型比较：在同一图中绘制多条曲线，对比不同模型性能。
   • 阈值选择：根据业务需求调整阈值（如医疗诊断需高TPR，风控需低FPR）。

三、完整代码整合

# 导入库
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_curve, roc_auc_score
import matplotlib.pyplot as plt# 数据加载与预处理
data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=42)# 模型训练与预测
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
y_pred_prob = model.predict_proba(X_test)[:, 1]# 计算AUC与ROC参数
auc = roc_auc_score(y_test, y_pred_prob)
fpr, tpr, _ = roc_curve(y_test, y_pred_prob)# 绘图
plt.figure()
plt.plot(fpr, tpr, label=f'ROC曲线 (AUC = {auc:.2f})')
plt.plot([0, 1], [0, 1], 'k--', label='随机猜测')
plt.xlabel('假阳性率 (FPR)')
plt.ylabel('真阳性率 (TPR)')
plt.title('乳腺癌分类模型ROC曲线')
plt.legend()
plt.show()

四、常见问题

1. 数据格式错误
   • 确保y_pred_prob是概率值而非类别标签，使用predict_proba()而非predict()。

2. 多分类问题
   • ROC曲线适用于二分类，多分类需使用One-vs-Rest策略生成多条曲线。

通过上述步骤，可快速实现AUC曲线的绘制与模型性能评估。如需进一步优化图形风格（如颜色、标注），可参考matplotlib高级设置。