绘制多个模型的ROC曲线

要绘制多个模型的ROC曲线，你需要首先计算每个模型的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）。

以下是一个示例代码，假设你有两个模型，分别为model1和model2：

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

# 假设你有两个模型的预测结果
y_true = np.array([0, 1, 0, 1, 1, 0, 0, 1])  # 真实标签
y_pred_model1 = np.array([0.2, 0.8, 0.3, 0.6, 0.7, 0.4, 0.1, 0.9])  # 模型1的预测概率
y_pred_model2 = np.array([0.3, 0.6, 0.1, 0.8, 0.9, 0.2, 0.4, 0.7])  # 模型2的预测概率

# 计算每个模型的TPR和FPR
fpr_model1, tpr_model1, _ = roc_curve(y_true, y_pred_model1)
fpr_model2, tpr_model2, _ = roc_curve(y_true, y_pred_model2)

# 计算每个模型的AUC值
auc_model1 = roc_auc_score(y_true, y_pred_model1)
auc_model2 = roc_auc_score(y_true, y_pred_model2)

# 绘制ROC曲线
plt.plot(fpr_model1, tpr_model1, label='Model 1 (AUC = {:.2f})'.format(auc_model1))
plt.plot(fpr_model2, tpr_model2, label='Model 2 (AUC = {:.2f})'.format(auc_model2))

# 绘制对角线
plt.plot([0, 1], [0, 1], 'k--')

# 设置图例和坐标轴标签
plt.legend(loc='lower right')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')

# 显示图形
plt.show()

在这个示例中，我们使用了sklearn库中的roc_curve和roc_auc_score函数来计算每个模型的TPR、FPR和AUC值。然后，我们使用Matplotlib库将两个模型的ROC曲线绘制在同一张图上，并添加了对角线表示随机模型的曲线。

你可以根据自己的实际情况修改代码，例如修改模型的预测结果、添加更多模型等。希望对你有帮助！如果还有其他问题，请随时提问。