多分类问题在训练完成后绘制roc曲线，python

在训练完成后，可以通过以下步骤来绘制多分类问题的ROC曲线：

1. 使用训练好的模型对测试集进行预测，得到每个样本属于不同类别的概率值。

2. 将预测结果转化为二进制形式，即将每个样本预测为某个类别的概率值设置为1，其他类别的概率值设置为0。

3. 对于每个类别，计算该类别的ROC曲线和AUC值。

4. 对于每个类别，绘制该类别的ROC曲线，并将所有类别的ROC曲线叠加在一起。

5. 对于所有类别，计算平均AUC值。

以下是一个示例代码：

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

# 加载模型并进行预测
model = load_model('model.h5')
x_test, y_test = load_test_data()
y_pred = model.predict(x_test)

# 将预测结果转换为二进制形式
y_pred_bin = label_binarize(np.argmax(y_pred, axis=1), classes=np.arange(n_classes))

# 计算每个类别的ROC曲线和AUC值
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_pred_bin[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# 计算平均AUC值
average_auc = np.mean(list(roc_auc.values()))

# 绘制ROC曲线
plt.figure()
colors = cycle(['blue', 'red', 'green', 'purple', 'orange'])
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=2,
             label='ROC curve of class {0} (AUC = {1:0.2f})'
             ''.format(i, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=2)
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()

在该示例代码中，我们首先加载了训练好的模型，并对测试集进行预测，得到了每个样本属于不同类别的概率值。然后将预测结果转化为二进制形式，并计算每个类别的ROC曲线和AUC值。最后，将所有类别的ROC曲线绘制在同一张图中，并计算平均AUC值。运行代码，就可以得到多分类问题在训练完成后的ROC曲线。