sklearn 逻辑回归roc曲线

在sklearn中，可以使用逻辑回归模型来绘制ROC曲线。首先，需要使用逻辑回归模型进行预测，并得到预测的概率值。然后，使用sklearn.metrics中的roc_curve函数来计算ROC曲线上的点。具体步骤如下：

1. 导入所需的库和模块：

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve

2. 使用逻辑回归模型进行预测：

model = LogisticRegression()
model.fit(X_train, y_train)
y_scores = model.predict_proba(X_test)\[:, 1\]

这里使用predict_proba方法获取预测的概率值，并取第二列的值作为正例的概率。

3. 计算ROC曲线上的点：

fpr, tpr, thresholds = roc_curve(y_test, y_scores)

其中，y_test是测试集的真实标签，y_scores是预测的概率值。

通过以上步骤，就可以得到ROC曲线上的点，可以使用这些点来绘制ROC曲线，进而评估逻辑回归模型的性能。\[1\]
#### 引用[.reference_title]
- *1* *2* [机器学习 | 逻辑回归面试点+三种优化算法手动实现+Sklearn实现+ROC曲线](https://blog.csdn.net/qq_27782503/article/details/88778831)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [sklearn——逻辑回归、ROC曲线与KS曲线](https://blog.csdn.net/weixin_30443895/article/details/101453888)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]