决策树Python怎么画ROC图

首先，你需要使用scikit-learn库来训练决策树模型并预测测试集的类别。然后，你可以使用roc_curve函数计算出ROC曲线的真阳性率和假阳性率。最后，使用matplotlib库绘制ROC曲线。

以下是一个简单的例子：

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

# 生成样本数据
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, random_state=42)

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练决策树模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 预测测试集的类别
y_score = clf.predict_proba(X_test)[:, 1]

# 计算ROC曲线的真阳性率和假阳性率
fpr, tpr, _ = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
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 example')
plt.legend(loc="lower right")
plt.show()

在这个例子中，我们首先使用make_classification函数生成1000个样本和10个特征，其中有2个类别。然后，我们将数据集划分为训练集和测试集，并使用DecisionTreeClassifier类训练决策树模型。接下来，我们使用predict_proba函数预测测试集的类别概率，并使用roc_curve函数计算出ROC曲线的真阳性率和假阳性率。最后，我们使用matplotlib库绘制ROC曲线。