为区分三种不同的状态，使用一对一方法实现多分类 输出混淆矩阵图和ROC图python

实现多分类的一对一方法，可以使用sklearn库中的OneVsOneClassifier类。下面是一个使用OneVsOneClassifier实现多分类的示例代码，并绘制混淆矩阵和ROC曲线。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, roc_curve, roc_auc_score
from sklearn.multiclass import OneVsOneClassifier
from sklearn.svm import SVC
import matplotlib.pyplot as plt

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用SVM作为分类器
clf = OneVsOneClassifier(SVC())

# 拟合模型
clf.fit(X_train, y_train)

# 在测试集上预测
y_pred = clf.predict(X_test)

# 绘制混淆矩阵
cm = confusion_matrix(y_test, y_pred)
plt.matshow(cm)
plt.colorbar()
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()

# 绘制ROC曲线
y_pred_proba = clf.decision_function(X_test)
fpr = {}
tpr = {}
roc_auc = {}
for i in range(3):
    fpr[i], tpr[i], _ = roc_curve(y_test, y_pred_proba[:, i], pos_label=i)
    roc_auc[i] = roc_auc_score(y_test == i, y_pred_proba[:, i])
plt.figure()
lw = 2
colors = ['red', 'green', 'blue']
for i, color in zip(range(3), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=lw,
             label='ROC curve of class {0} (area = {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")
plt.show()

在上述代码中，我们使用了Iris数据集进行演示。首先，我们将数据集拆分为训练集和测试集。然后，我们使用SVM作为分类器，并使用OneVsOneClassifier对其进行多分类处理。接下来，我们拟合模型并在测试集上进行预测。

绘制混淆矩阵时，我们使用了sklearn.metrics库中的confusion_matrix函数来计算混淆矩阵，并使用matplotlib库中的matshow函数将其可视化。

绘制ROC曲线时，我们使用了sklearn.metrics库中的roc_curve和roc_auc_score函数来计算每个类别的ROC曲线和AUC值。然后，我们使用matplotlib库中的plot函数将每个类别的ROC曲线绘制在同一张图中。