适配CNN、Tensorflow框架的 生成混淆矩阵ROC曲线的库

对于生成混淆矩阵和ROC曲线的库，我推荐使用Scikit-learn。Scikit-learn是一个强大的Python机器学习库，提供了许多用于分类和模型评估的工具。以下是使用Scikit-learn生成混淆矩阵和ROC曲线的步骤：

1. 安装Scikit-learn库

你可以使用pip或conda安装Scikit-learn库：

pip install -U scikit-learn

conda install scikit-learn

2. 导入必要的库

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, roc_curve, auc

3. 准备数据

假设你已经有了测试集的真实标签和模型预测的标签，可以将它们存储在两个numpy数组中：

y_true = np.array([0, 1, 1, 0, 1, 0, 0, 1])
y_pred = np.array([0, 1, 1, 0, 0, 1, 0, 1])

4. 生成混淆矩阵

可以使用`confusion_matrix`函数生成混淆矩阵：

cm = confusion_matrix(y_true, y_pred)
print(cm)

输出结果为：

[[3 1]
 [1 3]]

其中，第一行表示真实标签为0和1的样本数，第一列表示预测标签为0和1的样本数。例如，混淆矩阵中的3表示真实标签为0且预测标签为0的样本数。

5. 绘制ROC曲线

可以使用`roc_curve`函数计算ROC曲线的假阳性率（FPR）、真阳性率（TPR）和阈值（thresholds）：

fpr, tpr, thresholds = roc_curve(y_true, y_pred)

然后，可以使用`auc`函数计算ROC曲线下的面积（AUC）：

roc_auc = auc(fpr, tpr)
print('AUC = %.2f' % roc_auc)

最后，可以使用Matplotlib绘制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')
plt.legend(loc="lower right")
plt.show()

这将绘制一个ROC曲线，其中橙色曲线是ROC曲线，虚线是随机猜测的曲线。