roc曲线 pytorch

在PyTorch中绘制ROC曲线，你可以按照以下步骤进行操作：

1. 导入所需的库：

import torch
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

2. 定义模型和加载预测结果：

# 定义模型
model = YourModel()
# 加载预测结果
predictions = model(X_test)

3. 计算真阳性率（True Positive Rate）和假阳性率（False Positive Rate）：

# 将预测结果转换为概率
probs = torch.nn.functional.softmax(predictions, dim=1)
# 提取正类的概率
positive_probs = probs[:, 1].detach().numpy()
# 计算真阳性率和假阳性率
fpr, tpr, _ = roc_curve(y_true, positive_probs)

其中，`y_true`是真实的标签值。

4. 计算AUC（Area Under Curve）：

# 计算AUC
roc_auc = auc(fpr, tpr)
print("AUC: {:.2f}".format(roc_auc))

5. 绘制ROC曲线：

# 绘制ROC曲线
plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = {:.2f})'.format(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()

这样，你就可以在PyTorch中使用ROC曲线来评估你的模型了。