python中绘制多分类问题的macro-ROC曲线，计算AUC

在Python中，如果你需要绘制一个多分类问题的宏平均（Macro-average）ROC曲线并计算AUC，你需要稍作调整之前的单分类做法，因为宏观平均会分别计算每个类别的ROC曲线然后取平均值。以下是步骤：

首先，导入必要的库：

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

假设你已经有了训练好的分类器`clf`和测试数据`X_test`, `y_test`。为了计算宏观平均的AUC，我们需要创建一个OneVsRestClassifier实例，它会在所有类别上执行一对一的二分类任务：

clf = OneVsRestClassifier(clf)
y_pred_prob = clf.fit(X_train, y_train).predict_proba(X_test)

接着，计算每个类别的FPR（False Positive Rate）、TPR（True Positive Rate）和AUC：

n_classes = len(np.unique(y_test))
fprs = []
tprs = []
aucs = []

for i in range(n_classes):
    y_score_per_class = y_pred_prob[:, i]
    fpr, tpr, thresholds = roc_curve(y_test == i, y_score_per_class)
    aucs.append(roc_auc_score(y_test == i, y_score_per_class))

    fprs.append(fpr)
    tprs.append(tpr)

macro_fpr = np.mean(fprs, axis=0)
macro_tpr = np.mean(tprs, axis=0)

最后，绘制宏平均ROC曲线：

plt.figure(figsize=(6, 6))
plt.plot(macro_fpr, macro_tpr, marker='.', linestyle='-', label='macro-average ROC curve (area = %0.2f)' % np.mean(aucs))
plt.plot([0, 1], [0, 1], 'k--', lw=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('Macro-average Receiver Operating Characteristic (ROC)')
plt.legend(loc="lower right")
plt.show()