数据预处理结束后roc曲线绘制代码python

在Python中，绘制ROC曲线通常是在机器学习项目中用于评估二分类模型性能的一种常见做法。ROC曲线（Receiver Operating Characteristic Curve）展示了真正例率（True Positive Rate，TPR）与假正例率（False Positive Rate，FPR）之间的关系。

以下是使用sklearn库绘制ROC曲线的基本步骤：

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

# 假设y_true是实际标签，y_pred是预测概率或决策边界
y_true = ...  # 真实的二元标签
y_pred_proba = ...  # 预测的概率值（0到1之间）

# 计算真正例率和假正例率
fpr, tpr, _ = roc_curve(y_true, y_pred_proba)

# 计算AUC（Area Under the Curve），这是ROC曲线下的面积，作为模型性能指标
auc_score = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure()
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc_score)
plt.plot([0, 1], [0, 1], 'k--', lw=2, label='Random')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()