对iris数据集做ROC曲线和AUC

好的，以下是针对iris数据集做ROC曲线和AUC的步骤：

1. 导入数据集

首先，我们需要导入iris数据集。可以使用sklearn库中的load_iris函数来导入数据集。

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data
y = iris.target

2. 数据预处理

为了方便绘制ROC曲线，我们需要将数据集分成训练集和测试集，并将类别标签转换为二元标签。

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 将类别标签转换为二元标签
y_train_binary = label_binarize(y_train, classes=[0, 1, 2])
y_test_binary = label_binarize(y_test, classes=[0, 1, 2])

3. 训练模型

在这里，我们使用Random Forest Classifier作为分类器。训练模型的代码如下：

from sklearn.ensemble import RandomForestClassifier

# 创建分类器
clf = RandomForestClassifier(n_estimators=50, random_state=42)

# 训练模型
clf.fit(X_train, y_train_binary)

4. 绘制ROC曲线和计算AUC

接下来，我们可以使用sklearn库中的roc_curve和auc函数来绘制ROC曲线和计算AUC值。代码如下：

from sklearn.metrics import roc_curve, auc

# 预测测试集的类别概率值
y_score = clf.predict_proba(X_test)

# 计算每个类别的ROC曲线和AUC值
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(3):
    fpr[i], tpr[i], _ = roc_curve(y_test_binary[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# 计算Macro-Averaging和Micro-Averaging的AUC值
fpr["micro"], tpr["micro"], _ = roc_curve(y_test_binary.ravel(), y_score.ravel())
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

all_fpr = np.unique(np.concatenate([fpr[i] for i in range(3)]))

# 绘制ROC曲线
plt.figure(figsize=(8, 6))
for i in range(3):
    plt.plot(fpr[i], tpr[i], lw=2, label='ROC curve of class %d (AUC = %0.2f)' % (i+1, roc_auc[i]))
    
plt.plot(fpr["micro"], tpr["micro"], label='Micro-Avg ROC curve (AUC = {0:0.2f})'\
         ''.format(roc_auc["micro"]), color='deeppink', linestyle=':', linewidth=4)

plt.plot([0, 1], [0, 1], 'k--', lw=2)
plt.xlim([-0.05, 1.05])
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC curve for iris dataset')
plt.legend(loc="lower right")
plt.show()

运行上述代码，我们就可以得到iris数据集的ROC曲线和AUC值。


从图中可以看出，三个类别的ROC曲线都很接近左上角，说明模型的分类能力很好。同时，Micro-Averaging的AUC值为0.98，说明模型的总体分类能力也很好。