Stacking集成学习中，可以用代码输出AUC，或者ROC曲线吗

在Stacking集成学习中，AUC（Area Under the Curve）和ROC（Receiver Operating Characteristic）曲线通常是用于评估模型分类性能的重要指标，但在实际代码实现中，直接输出这些曲线图可能并不是特别直观。不过，你可以通过一些库，比如`sklearn.metrics`（Scikit-Learn）在堆叠之后计算并打印出AUC值。

以下是一个简单的例子，展示如何在Python中使用`sklearn`来计算和显示每个基学习器的AUC，以及最终Stacking模型的AUC：

from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
from sklearn.metrics import roc_auc_score
from sklearn.ensemble import StackingClassifier

# 加载数据...
X, y = ...

# 分割数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义基学习器
base_estimators = [
    ('lr', LogisticRegression()),
    ('svc', SVC(probability=True)),
    ('rf', RandomForestClassifier())
]

# 创建StackingClassifier
stacker = StackingClassifier(estimators=base_estimators,
                             final_estimator=LogisticRegression())

# 训练堆叠模型
stacker.fit(X_train, y_train)

# 预测并获取概率
y_proba = stacker.predict_proba(X_test)[:, 1]

# 计算每个基学习器的AUC
for name, estimator in base_estimators:
    y_pred_proba = estimator.predict_proba(X_test)[:, 1]
    auc = roc_auc_score(y_test, y_pred_proba)
    print(f"{name} 的 AUC: {auc}")

# 计算堆叠模型的AUC
stacking_auc = roc_auc_score(y_test, y_proba)
print(f"Stacking模型的 AUC: {stacking_auc}")

请注意，这段代码仅作示例，你需要替换掉`X`和`y`为你的数据，并根据实际需求进行适当的调整。