怎么写

你可以按照以下步骤进行转换：

1. 导入LabelBinarizer：`from sklearn.preprocessing import LabelBinarizer`

2. 创建一个LabelBinarizer对象：`lb = LabelBinarizer()`

3. 使用fit_transform方法将多类别标签转换为二元标签：`y_true_binarized = lb.fit_transform(y_true)`

4. 对于每个类别，计算对应的FPR和TPR并存储它们：

fpr = dict()
tpr = dict()
n_classes = y_true_binarized.shape[1]
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_true_binarized[:, i], y_score[:, i])

5. 计算平均FPR和TPR并绘制ROC曲线：

fpr["micro"], tpr["micro"], _ = roc_curve(y_true_binarized.ravel(), y_score.ravel())
roc_auc = auc(fpr["micro"], tpr["micro"])
plt.plot(fpr["micro"], tpr["micro"],
         label='micro-average ROC curve (area = {0:0.2f})'
               ''.format(roc_auc),
         color='deeppink', linestyle=':', linewidth=4)

这些步骤将多类别标签转换为二元标签，并计算每个类别的FPR和TPR，最后将它们平均并绘制ROC曲线。