决策曲线DCA代码 python

决策曲线（Decision Curve Analysis, DCA）是一种统计分析工具，用于评估预测模型在不同阈值下的临床决策效果。在Python中，虽然没有直接内置的库来计算DCA，但我们通常会结合`pandas`、`matplotlib`以及`scikit-learn`等库进行数据处理和可视化。

以下是一个简单的步骤说明如何使用这些库实现DCA：

1. 导入必要的库：

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, roc_auc_score

2. 准备数据，包括真实标签和模型预测概率：

y_true = your_data['true_labels']
probs = your_model.predict_proba(your_data)[:, 1]  # 对于二分类任务

3. 计算每个阈值下的真正率和假正率：

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

4. 创建决策曲线图：

plt.plot(fpr, tpr, label='ROC curve')
plt.plot([0, 1], [0, 1], 'k--', label='Chance')  # 随机猜测线
for threshold in thresholds:
    y_pred_binary = (probs > threshold).astype(int)
    df = pd.DataFrame({'True Positives': y_true[y_pred_binary],
                       'False Positives': ~y_true[y_pred_binary]})
    df.plot(kind='bar', stacked=True, ax=plt.gca(), legend=False)
    plt.axhline(df.iloc[-1].mean(), color='grey', linestyle='--')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Decision Curve Analysis')
plt.legend()

5. 显示图形：

plt.show()