交叉验证 加载iris数据集，拟合SVM ，1)使用train_test_split 分割训练集和测试集（80% VS 20%）2) 使用cross_val_score做十折交叉验证 3）计算交叉验证所有指标4）画出ROC曲线

好的，我来给你讲一下交叉验证的步骤。

1. 加载iris数据集

首先需要导入必要的库和数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc
import matplotlib.pyplot as plt

# 加载iris数据集
iris = datasets.load_iris()

# 特征和标签
X = iris.data
y = iris.target

2. 使用train_test_split分割训练集和测试集

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

3. 使用cross_val_score做十折交叉验证，计算交叉验证所有指标

# 使用SVM拟合数据
svm = SVC(kernel='linear', probability=True)

# 使用train_test_split分割数据集的评估指标
svm.fit(X_train, y_train)
y_pred = svm.predict(X_test)
print('train_test_split分割数据集的评估指标：')
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

# 使用cross_val_score做十折交叉验证的评估指标
scores = cross_val_score(svm, X, y, cv=10)
print('十折交叉验证的评估指标：')
print('Accuracy: %0.2f (+/- %0.2f)' % (scores.mean(), scores.std() * 2))

4. 画出ROC曲线

# 画出ROC曲线
svm.fit(X_train, y_train)
y_score = svm.decision_function(X_test)
fpr, tpr, thresholds = roc_curve(y_test, y_score, pos_label=2)
roc_auc = auc(fpr, tpr)
plt.figure()
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()

完整代码如下：