导入多分类数据把混淆矩阵和AUC曲线画出来python代码

好的，以下是导入多分类数据并画出混淆矩阵和AUC曲线的Python代码：

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, roc_curve, auc
from itertools import cycle

# 定义一个函数，用于展示混淆矩阵
def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', cmap=plt.cm.Blues):
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')

    print(cm)

    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in np.ndindex(cm.shape):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

# 定义一个函数，用于展示AUC曲线
def plot_roc_curve(Y_test, Y_pred, n_classes):
    # 计算每个类别的ROC曲线和AUC值
    fpr = dict()
    tpr = dict()
    roc_auc = dict()
    for i in range(n_classes):
        fpr[i], tpr[i], _ = roc_curve(Y_test[:, i], Y_pred[:, i])
        roc_auc[i] = auc(fpr[i], tpr[i])

    # 将所有ROC曲线画在一张图上
    plt.figure()
    lw = 2
    colors = cycle(['aqua', 'darkorange', 'cornflowerblue', 'pink', 'red', 'yellow'])
    for i, color in zip(range(n_classes), colors):
        plt.plot(fpr[i], tpr[i], color=color, lw=lw,
                 label='ROC curve of class {0} (AUC = {1:0.2f})'
                 ''.format(i, roc_auc[i]))

    plt.plot([0, 1], [0, 1], 'k--', lw=lw)
    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 for multi-class')
    plt.legend(loc="lower right")

# 生成一个随机的多分类数据集
n_classes = 6
Y_test = np.random.randint(n_classes, size=200)
Y_pred = np.random.randint(n_classes, size=200)

# 计算混淆矩阵
cnf_matrix = confusion_matrix(Y_test, Y_pred)

# 画出混淆矩阵
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=np.arange(n_classes),
                      title='Confusion matrix, without normalization')

# 画出归一化的混淆矩阵
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=np.arange(n_classes), normalize=True,
                      title='Normalized confusion matrix')

# 画出AUC曲线
Y_test_one_hot = np.eye(n_classes)[Y_test]
Y_pred_one_hot = np.eye(n_classes)[Y_pred]
plot_roc_curve(Y_test_one_hot, Y_pred_one_hot, n_classes)

# 展示所有图像
plt.show()

以上代码先生成一个随机的多分类数据集，然后计算出混淆矩阵，并展示出来。接着，画出了归一化的混淆矩阵和AUC曲线。最后，通过`plt.show()`展示所有图像。