python实现roc曲线和auc值实现

ROC曲线和AUC值是用于评估分类模型性能的常用指标，可以用Python实现。以下是一个使用scikit-learn库的示例代码：

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 假设y_pred和y_true是模型预测结果和真实标签
fpr, tpr, thresholds = roc_curve(y_true, y_pred)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], 'k--')  # 绘制对角线
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()

# 打印AUC值
print("AUC值：", roc_auc)

在这个示例中，roc_curve函数计算了模型的FPR和TPR值，并返回了一个阈值数组，可以用于调整模型的灵敏度和特异性。auc函数使用FPR和TPR计算了ROC曲线下的面积，表示模型性能的综合评估。最后，我们使用matplotlib库绘制ROC曲线，并使用打印语句输出AUC值。