利用sklearn.metrics.roc_curve绘制roc曲线代码

以下是一个简单的使用sklearn.metrics.roc_curve绘制ROC曲线的代码示例：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 生成模拟数据
X, y = make_classification(n_samples=1000, n_classes=2, weights=[1,1], random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测概率值
y_prob = model.predict_proba(X_test)[:,1]

# 计算fpr和tpr
fpr, tpr, thresholds = roc_curve(y_test, y_prob)

# 计算AUC
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
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 example')
plt.legend(loc="lower right")
plt.show()

在这个例子中，我们生成了一个二分类模拟数据集，并使用逻辑回归模型进行训练。我们使用sklearn.metrics.roc_curve计算fpr和tpr，然后使用sklearn.metrics.auc计算AUC。最后，我们使用matplotlib.pyplot绘制ROC曲线。