多分类auc曲线绘制代码怎么写

要绘制多分类的AUC曲线，可以使用Micro和Macro两种方法。下面是一个示例代码，使用Python的sklearn库和matplotlib库来绘制多分类AUC曲线：

from sklearn.metrics import roc_auc_score, roc_curve
from sklearn.preprocessing import LabelBinarizer
import matplotlib.pyplot as plt
import numpy as np

# 假设有3个类别，分别为0、1、2
y_true = np.array([0, 1, 2, 1, 2])
y_pred = np.array([[0.2, 0.6, 0.2], [0.8, 0.1, 0.1], [0.3, 0.4, 0.3], [0.4, 0.3, 0.3], [0.1, 0.2, 0.7]])

# 将真实标签进行二值化处理
lb = LabelBinarizer()
lb.fit(y_true)
y_true_bin = lb.transform(y_true)

# 计算每个类别的AUC值
auc_scores = []
fpr = dict()
tpr = dict()
for i in range(len(lb.classes_)):
    fpr[i], tpr[i], _ = roc_curve(y_true_bin[:, i], y_pred[:, i])
    auc = roc_auc_score(y_true_bin[:, i], y_pred[:, i])
    auc_scores.append(auc)

# 计算Macro平均AUC值
mean_auc_macro = np.mean(auc_scores)

# 计算Micro平均AUC值
fpr["micro"], tpr["micro"], _ = roc_curve(y_true_bin.ravel(), y_pred.ravel())
auc_micro = roc_auc_score(y_true_bin, y_pred, average="micro")

# 绘制AUC曲线
plt.figure(figsize=(8, 6))
plt.plot(fpr["micro"], tpr["micro"], label='Micro-average ROC curve (area = {0:0.2f})'.format(auc_micro), color='deeppink', linestyle=':', linewidth=4)
for i in range(len(lb.classes_)):
    plt.plot(fpr[i], tpr[i], label='ROC curve of class {0} (area = {1:0.2f})'.format(i, auc_scores[i]))
plt.plot([0, 1], [0, 1], 'k--', linewidth=2)
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 (ROC)')
plt.legend(loc="lower right")
plt.show()

这段代码首先导入了需要的库，然后定义了一个示例的真实标签和预测概率矩阵。接着，使用`LabelBinarizer`将真实标签进行二值化处理，并计算每个类别的AUC值以及Micro和Macro平均AUC值。最后，使用matplotlib库绘制AUC曲线，其中包括Micro-average曲线和每个类别的曲线。