交叉验证 加载iris数据集,拟合SVM ,1)使用train_test_split 分割训练集和测试集(80% VS 20%)2) 使用cross_val_score做十折交叉验证 3)计算交叉验证所有指标4)画出ROC曲线

好的，我来为您解答这个问题。

首先，我们需要导入所需的库和数据集，代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.svm import SVC
from sklearn.metrics import classification_report, roc_curve, auc
import matplotlib.pyplot as plt

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

接下来，我们使用train_test_split函数将数据集分成训练集和测试集，代码如下：

# 使用train_test_split分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们可以使用SVM模型拟合训练集，并对测试集进行预测，代码如下：

# 使用SVM模型拟合训练集
svm = SVC(kernel='linear', probability=True)
svm.fit(X_train, y_train)

# 对测试集进行预测
y_pred = svm.predict(X_test)

现在，我们可以使用classification_report函数计算准确率、召回率和F1值等指标，代码如下：

# 计算测试集指标
print(classification_report(y_test, y_pred))

接下来，我们使用cross_val_score函数进行十折交叉验证，并计算交叉验证的所有指标，代码如下：

# 使用cross_val_score进行十折交叉验证
scores = cross_val_score(svm, X, y, cv=10)
print("十折交叉验证得分：", scores)
print("平均得分：", scores.mean())

最后，我们可以使用roc_curve和auc函数画出ROC曲线，代码如下：

# 计算ROC曲线和AUC值
y_score = svm.decision_function(X_test)
fpr, tpr, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

# 画出ROC曲线
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 example')
plt.legend(loc="lower right")
plt.show()

完整代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.svm import SVC
from sklearn.metrics import classification_report, roc_curve, auc
import matplotlib.pyplot as plt

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 使用train_test_split分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用SVM模型拟合训练集
svm = SVC(kernel='linear', probability=True)
svm.fit(X_train, y_train)

# 对测试集进行预测
y_pred = svm.predict(X_test)

# 计算测试集指标
print(classification_report(y_test, y_pred))

# 使用cross_val_score进行十折交叉验证
scores = cross_val_score(svm, X, y, cv=10)
print("十折交叉验证得分：", scores)
print("平均得分：", scores.mean())

# 计算ROC曲线和AUC值
y_score = svm.decision_function(X_test)
fpr, tpr, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

# 画出ROC曲线
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 example')
plt.legend(loc="lower right")
plt.show()

希望这个回答对您有帮助！