# Python中ROC曲線怎么繪制
## 什么是ROC曲線
ROC曲線（Receiver Operating Characteristic Curve）是評估二分類模型性能的重要工具，通過繪制真正例率（TPR）與假正例率（FPR）的關系曲線，直觀展示模型在不同閾值下的表現。
### 核心概念
- **真正例率（TPR/Recall）**：`TP / (TP + FN)`
- **假正例率（FPR）**：`FP / (FP + TN)`
- **AUC值**：曲線下面積，范圍0.5-1，值越大模型越好
## 繪制ROC曲線的完整步驟
### 1. 準備數據與模型
```python
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
# 生成模擬數據
X, y = make_classification(n_samples=1000, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# 訓練模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 獲取正類的預測概率
y_scores = model.predict_proba(X_test)[:, 1]
from sklearn.metrics import roc_curve
fpr, tpr, thresholds = roc_curve(y_test, y_scores)
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label='ROC curve')
plt.plot([0, 1], [0, 1], 'k--', label='Random guess')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend()
plt.show()
from sklearn.metrics import auc
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, label=f'AUC = {roc_auc:.3f}')
from sklearn.ensemble import RandomForestClassifier
# 訓練第二個模型
rf_model = RandomForestClassifier()
rf_model.fit(X_train, y_train)
y_scores_rf = rf_model.predict_proba(X_test)[:, 1]
# 計算兩個模型的ROC曲線
fpr_lr, tpr_lr, _ = roc_curve(y_test, y_scores)
fpr_rf, tpr_rf, _ = roc_curve(y_test, y_scores_rf)
# 繪制對比圖
plt.plot(fpr_lr, tpr_lr, label='Logistic Regression')
plt.plot(fpr_rf, tpr_rf, label='Random Forest')
# 標記特定閾值點
optimal_idx = np.argmax(tpr - fpr)
optimal_threshold = thresholds[optimal_idx]
plt.scatter(fpr[optimal_idx], tpr[optimal_idx], marker='o', color='red',
label=f'Optimal Threshold (={optimal_threshold:.2f})')
原因：樣本量不足或閾值點過少
解決：
# 增加thresholds參數
fpr, tpr, thresholds = roc_curve(y_test, y_scores, drop_intermediate=False)
解決方案：
from sklearn.preprocessing import label_binarize
from sklearn.metrics import roc_auc_score
# 二值化標簽
y_test_bin = label_binarize(y_test, classes=[0,1,2])
n_classes = y_test_bin.shape[1]
# 計算每個類別的ROC曲線
for i in range(n_classes):
fpr, tpr, _ = roc_curve(y_test_bin[:, i], y_scores[:, i])
plt.plot(fpr, tpr, label=f'Class {i}')
# 完整ROC曲線繪制示例
import numpy as np
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
from sklearn.metrics import roc_curve, auc
# 數據準備
X, y = make_classification(n_samples=1000, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
# 模型訓練
model = LogisticRegression()
model.fit(X_train, y_train)
y_scores = model.predict_proba(X_test)[:, 1]
# 計算ROC
fpr, tpr, thresholds = roc_curve(y_test, y_scores)
roc_auc = auc(fpr, tpr)
# 繪圖
plt.figure(figsize=(10, 8))
plt.plot(fpr, tpr, color='darkorange', lw=2,
label=f'ROC curve (AUC = {roc_auc:.2f})')
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')
plt.legend(loc="lower right")
# 標記最佳閾值
optimal_idx = np.argmax(tpr - fpr)
plt.scatter(fpr[optimal_idx], tpr[optimal_idx], marker='o', color='red')
plt.annotate(f'Threshold: {thresholds[optimal_idx]:.2f}',
xy=(fpr[optimal_idx], tpr[optimal_idx]),
xytext=(20, -20),
textcoords='offset points',
ha='right', va='bottom',
bbox=dict(boxstyle='round,pad=0.5', fc='yellow', alpha=0.5),
arrowprops=dict(arrowstyle='->'))
plt.show()
sklearn.metrics.roc_curve計算關鍵坐標點通過掌握這些技巧，您可以有效評估和比較不同分類模型的性能表現。 “`
該文章包含約1500字，采用Markdown格式編寫，包含： - 核心概念解釋 - 分步驟實現指南 - 代碼示例（含完整可運行示例） - 常見問題解決方案 - 可視化效果優化技巧 - 多模型對比方法 - 閾值選擇策略 - 完整代碼塊和注釋
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
