用python代码绘制逻辑回归ROC曲线

好的，以下是绘制逻辑回归ROC曲线的Python代码示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成具有2个特征的二分类数据集
X, y = make_classification(n_samples=1000, n_features=2, n_informative=2, n_redundant=0, random_state=0)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 创建逻辑回归模型并拟合训练数据
lr = LogisticRegression()
lr.fit(X_train, y_train)

# 预测测试集中的类别概率
y_score = lr.predict_proba(X_test)[:, 1]

# 计算ROC曲线的各项指标
fpr, tpr, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
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()

这段代码将生成一个具有2个特征的二分类数据集，并使用逻辑回归模型拟合训练数据。然后，通过预测测试集中的类别概率计算ROC曲线的各项指标，并使用Matplotlib库绘制ROC曲线。最终的ROC曲线将显示在一个新的图形窗口中。