输出模型AUC、准确度、精确度、召回率、F1-score等参数以及ROC曲线、混淆矩阵等图形的代码

在Python中，特别是在机器学习库如scikit-learn中，评估模型性能通常涉及以下几个步骤：

1. **计算AUC (Area Under the Curve)**:

from sklearn.metrics import roc_auc_score
y_true = ... # 真实标签
y_pred_proba = ... # 预测概率
auc = roc_auc_score(y_true, y_pred_proba)

2. **准确度 (Accuracy)**:

accuracy = accuracy_score(y_true, y_pred)  # y_pred 是预测的类别

3. **精确度 (Precision)**:

precision = precision_score(y_true, y_pred)

4. **召回率 (Recall, Sensitivity or True Positive Rate)**:

recall = recall_score(y_true, y_pred)

5. **F1-score**:

f1 = f1_score(y_true, y_pred)

6. **绘制ROC曲线 (Receiver Operating Characteristic curve)**:

import matplotlib.pyplot as plt
from sklearn.metrics import plot_roc_curve
plot_roc_curve(model, X_test, y_test)
plt.show()

7. **混淆矩阵 (Confusion Matrix)**:

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

以上代码假设`y_true`是实际标签列表，`y_pred`是预测结果，而`model`是你训练好的分类模型，`X_test`和`y_test`是测试集数据。