分别在AIC准则与BIC准则下，利用双向逐步回归对此前构造的逻 辑回归模型进行变量筛选，并绘制AIC模型、BIC模型以及全模型 的ROC曲线。比

在AIC (Akaike Information Criterion) 和 BIC (Bayesian Information Criterion) 两种统计准则下，双向逐步回归是一种常用的变量选择方法，用于逻辑回归模型中。这两种准则旨在帮助我们确定最合适的模型复杂度，避免过度拟合。

AIC更倾向于选择解释变量最少但预测性能较好的模型，它通过惩罚模型的复杂度来平衡拟合优度和复杂度。AIC值越小，表示模型越好。

BIC则更为保守，除了考虑拟合效果外，还会对模型的参数数量施加更大的惩罚，因此通常会选择更简单的模型。BIC值也反映模型的好坏，更低的BIC意味着更好的模型。

在Python中，可以使用`statsmodels`库中的`stepwise`函数结合`Logit`或`Ridge`等模块来进行模型选择。首先，你需要构建所有可能的模型包含所有候选变量。然后，你可以按照AIC或BIC分别运行逐步回归：

import statsmodels.formula.api as smf

# 假设你已经有了数据df和需要考虑的变量list
formula = 'target ~ ' + '+'.join(list)

# 使用AIC
model_aic = smf.logit(formula, data=df).fit(stepwise='bse', method='bic') # 更改method为'aicc' for AIC
aic_model = model_aic.model

# 使用BIC
model_bic = smf.logit(formula, data=df).fit(stepwise='bse')
bic_model = model_bic.model

# 计算并保存每种模型的AUC（ROC曲线下的面积）
from sklearn.metrics import roc_auc_score
roc_auc_aic = roc_auc_score(df['target'], aic_model.predict_proba(df)[:, 1])
roc_auc_bic = roc_auc_score(df['target'], bic_model.predict_proba(df)[:, 1])

# 绘制ROC曲线
import matplotlib.pyplot as plt
plt.plot(roc_auc_aic, label='AIC ROC')
plt.plot(roc_auc_bic, label='BIC ROC')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.legend()

最后，你会得到三个模型（AIC模型、BIC模型和全模型）的ROC曲线。AIC和BIC模型的选择取决于你的目标和数据情况，如果数据量较小，BIC可能会更保守一些。