Adaboost模型画ROC曲线代码实现

以下是使用Python和scikit-learn库实现Adaboost模型画ROC曲线的代码：

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

# 创建一个二分类的数据集
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建Adaboost分类器
clf = AdaBoostClassifier(n_estimators=100, random_state=42)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict_proba(X_test)[:,1]

# 计算ROC曲线的值
fpr, tpr, thresholds = roc_curve(y_test, y_pred)

# 计算ROC曲线下面积
roc_auc = auc(fpr, tpr)

# 画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')
plt.legend(loc="lower right")
plt.show()

代码中使用`make_classification`函数创建了一个包含10个特征、1000个样本的二分类数据集。`train_test_split`函数将数据集划分为训练集和测试集。`AdaBoostClassifier`函数创建了一个Adaboost分类器，并使用`fit`函数对训练集进行训练。然后，使用`predict_proba`函数进行测试集的预测，并计算ROC曲线的值和下面积。最后，使用matplotlib库画出ROC曲线。