python绘制多分类的AUC曲线

首先，要绘制多分类的AUC曲线，需要将问题转换成多个二分类问题。一种常见的方法是将每个类别与其他所有类别分别作为正例和负例，计算每个类别的AUC值。然后，可以将所有类别的AUC值综合起来画出多分类的AUC曲线。

以下是一个示例代码，使用了scikit-learn库中的multiclass_roc_auc_score()函数来计算多分类AUC值，并使用matplotlib库绘制曲线：

import numpy as np
import matplotlib.pyplot as plt
from itertools import cycle
from sklearn.metrics import roc_curve, auc
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from sklearn.datasets import make_classification

# 生成样本数据
X, y = make_classification(n_samples=1000, n_features=10, n_classes=5, n_informative=5,
                           n_redundant=0, n_clusters_per_class=1, random_state=42)

# 将类别转化为二值标签
y_bin = label_binarize(y, classes=list(range(5)))

# 训练多个二分类模型，并计算每个类别的AUC值
fpr = dict()
tpr = dict()
roc_auc = dict()
n_classes = y_bin.shape[1]
for i in range(n_classes):
    clf = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True, random_state=42))
    clf.fit(X, y_bin[:, i])
    y_score = clf.decision_function(X)
    fpr[i], tpr[i], _ = roc_curve(y_bin[:, i], y_score)
    roc_auc[i] = auc(fpr[i], tpr[i])

# 计算平均AUC值
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
roc_auc["macro"] = np.mean(list(roc_auc.values()))

# 绘制多分类AUC曲线
plt.figure()
lw = 2
colors = cycle(['aqua', 'darkorange', 'cornflowerblue', 'green', 'red'])
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=lw,
             label='ROC curve of class {0} (AUC = {1:0.2f})'
             ''.format(i, roc_auc[i]))
    
plt.plot(fpr["micro"], tpr["micro"], color='deeppink',
         label='micro-average ROC curve (AUC = {0:0.2f})'
         ''.format(roc_auc["micro"]),
         linestyle=':', linewidth=4)

plt.plot(fpr["macro"], tpr["macro"], color='navy',
         label='macro-average ROC curve (AUC = {0:0.2f})'
         ''.format(roc_auc["macro"]),
         linestyle=':', linewidth=4)

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('Multi-class ROC Curve')
plt.legend(loc="lower right")
plt.show()

注意，这里使用了OneVsRestClassifier()函数将多分类问题转化为多个二分类问题，SVM作为分类器。你可以根据实际情况选择不同的分类器。