python绘制多分类的ROC曲线

绘制多分类的ROC曲线需要先将多分类问题转化为多个二分类问题。下面给出一个例子，代码使用Python和scikit-learn库。

假设有3个类别（0，1，2），以下是绘制多分类的ROC曲线的代码：

import numpy as np
import matplotlib.pyplot as plt
from itertools import cycle
from sklearn.metrics import roc_curve, auc
from scipy import interp

# 随机生成三个类别的数据
n_classes = 3
n_samples = 1000
X = np.random.randn(n_samples, 10)
y = np.random.randint(0, n_classes, n_samples)

# 将多分类问题转化为三个二分类问题
from sklearn.preprocessing import label_binarize
y_bin = label_binarize(y, classes=[0, 1, 2])
n_classes = y_bin.shape[1]

# 计算每个类别的ROC曲线和AUC值
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_bin[:, i], X[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# 计算微平均ROC曲线和AUC值
fpr["micro"], tpr["micro"], _ = roc_curve(y_bin.ravel(), X.ravel())
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

# 计算宏平均ROC曲线和AUC值
fpr["macro"] = np.linspace(0, 1, 100)
tpr["macro"] = np.zeros_like(fpr["macro"])
for i in range(n_classes):
    tpr["macro"] += interp(fpr["macro"], fpr[i], tpr[i])
tpr["macro"] /= n_classes
roc_auc["macro"] = auc(fpr["macro"], tpr["macro"])

# 绘制ROC曲线
plt.figure()
lw = 2
plt.plot(fpr["micro"], tpr["micro"],
         label='micro-average ROC curve (area = {0:0.2f})'
               ''.format(roc_auc["micro"]),
         color='deeppink', linestyle=':', linewidth=4)

plt.plot(fpr["macro"], tpr["macro"],
         label='macro-average ROC curve (area = {0:0.2f})'
               ''.format(roc_auc["macro"]),
         color='navy', linestyle=':', linewidth=4)

colors = cycle(['aqua', 'darkorange', 'cornflowerblue'])
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=lw,
             label='ROC curve of class {0} (area = {1:0.2f})'
             ''.format(i, roc_auc[i]))

plt.plot([0, 1], [0, 1], 'k--', lw=lw)
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 for multi-class')
plt.legend(loc="lower right")
plt.show()

该代码将三个类别的数据随机生成，使用label_binarize函数将多分类问题转化为三个二分类问题，然后计算每个类别的ROC曲线和AUC值。接着，计算微平均和宏平均ROC曲线和AUC值，并将它们绘制在同一张图中。最后，使用plt.show()显示图像。