可以在此基础上用代码做出混淆矩阵和roc曲线么？

当然可以！下面是基于你提供的代码，添加混淆矩阵和ROC曲线的代码：

from sklearn.metrics import confusion_matrix, roc_curve, auc

# 在测试集上进行预测
y_pred = model.predict(X_test)
y_pred = (y_pred > 0.5)

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print('Confusion Matrix:\n', cm)

# 绘制ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_pred)
roc_auc = auc(fpr, tpr)

plt.figure(figsize=(8,6))
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
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")
plt.show()

首先，在测试集上进行预测，并将输出值转换为二进制的分类标签。然后使用`confusion_matrix`函数计算混淆矩阵，并输出到屏幕上。

接下来，使用`roc_curve`函数计算ROC曲线的假正率（fpr）、真正率（tpr）和阈值（thresholds），使用`auc`函数计算ROC曲线下面积（AUC）。最后，使用Matplotlib绘制ROC曲线，并将AUC值输出到屏幕上。