knn的roc曲线用python画出

下面是使用Python绘制KNN的ROC曲线的示例代码：

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import train_test_split

# 创建一个二分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42)

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建一个KNN分类器，并拟合训练集
k = 5
clf = KNeighborsClassifier(n_neighbors=k)
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算FPR和TPR
fpr, tpr, _ = roc_curve(y_test, y_pred)

# 计算AUC
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure()
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 example')
plt.legend(loc="lower right")
plt.show()

在这个示例中，我们使用了`make_classification`函数生成了一个有10个特征的二分类数据集。然后我们将数据集拆分成训练集和测试集，并创建一个KNN分类器来拟合训练数据。接下来，我们使用`roc_curve`函数计算出FPR和TPR，并使用`auc`函数计算AUC。最后，我们使用`matplotlib`库来绘制ROC曲线。