origin绘制roc曲线

ROC曲线是用于衡量分类模型性能的一种常用方法，它可以展示模型在不同阈值下的真正率（True Positive Rate）和假正率（False Positive Rate）之间的权衡关系。下面是使用Python中的`matplotlib`和`sklearn`库绘制ROC曲线的示例代码：

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc

# 生成随机数据
np.random.seed(0)
y_true = np.random.randint(0, 2, size=100)
y_score = np.random.rand(100)

# 计算ROC曲线数据
fpr, tpr, thresholds = roc_curve(y_true, y_score, pos_label=1)
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()

在这个示例中，我们首先生成了一个随机的二分类数据集，其中`y_true`表示真实标签，`y_score`表示模型输出的预测得分。然后使用`sklearn`库中的`roc_curve`函数计算出ROC曲线的数据，其中`pos_label`参数表示正例的标签，默认为1。最后，使用`matplotlib`库绘制ROC曲线，并计算出曲线下面积（AUC）。

运行代码后，会生成一个简单的ROC曲线图，如下所示：


这个示例中的ROC曲线并不是很平滑，这是因为数据集太小，随机性太大。在实际应用中，ROC曲线通常会更加平滑，而且AUC值也会更高。