用logits数据画AUC，PR曲线

首先，AUC和PR曲线是用于评估二元分类模型的性能指标，需要有真实标签和预测概率（或logits）作为输入。

对于AUC曲线，可以按照以下步骤进行绘制：

1. 从模型输出的logits中计算出预测概率（或使用sigmoid函数进行转换）。
2. 将真实标签和预测概率按照预测概率从大到小排序。
3. 遍历每个预测概率作为阈值，计算出对应的真正率（TPR）和假正率（FPR）。
4. 将每个TPR和FPR值作为坐标绘制ROC曲线，计算出曲线下面积即为AUC值。

对于PR曲线，可以按照以下步骤进行绘制：

1. 从模型输出的logits中计算出预测概率（或使用sigmoid函数进行转换）。
2. 将真实标签和预测概率按照预测概率从大到小排序。
3. 遍历每个预测概率作为阈值，计算出对应的精确率（precision）和召回率（recall）。
4. 将每个精确率和召回率值作为坐标绘制PR曲线，计算出曲线下面积即为PR值。

在Python中，可以使用scikit-learn库中的roc_curve和precision_recall_curve函数计算ROC曲线和PR曲线，并使用matplotlib库进行绘制。具体代码可以参考以下示例：

from sklearn.metrics import roc_curve, precision_recall_curve, auc
import matplotlib.pyplot as plt

# 计算ROC曲线和AUC值
fpr, tpr, thresholds = roc_curve(y_true, y_pred)
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')
plt.legend(loc="lower right")
plt.show()

# 计算PR曲线和PR值
precision, recall, thresholds = precision_recall_curve(y_true, y_pred)
pr_auc = auc(recall, precision)

# 绘制PR曲线
plt.plot(recall, precision, color='darkorange', lw=2, label='PR curve (area = %0.2f)' % pr_auc)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall curve')
plt.legend(loc="lower right")
plt.show()