利用python画roc曲线和auc值计算

ROC曲线和AUC值是描述二元分类模型性能的重要指标。Python作为一种高效的编程语言，提供了很多画ROC曲线和计算AUC值的工具。

要画ROC曲线，需要先得到模型的预测概率分数和真实标签。然后，可以使用sklearn.metrics包中的roc_curve和auc函数进行计算和绘图。具体步骤如下：

1. 从模型中得到预测概率分数和真实标签（0或1）。

2. 使用roc_curve函数计算出不同阈值下的真正率（True Positive Rate）和假正率（False Positive Rate）。

3. 使用plt.plot函数画出ROC曲线，并使用plt.show函数显示结果。

4. 使用auc函数计算AUC值。

示例代码如下：

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

# 获取预测概率分数和真实标签
y_pred = model.predict_proba(X_test)[:,1]
fpr, tpr, thresholds = roc_curve(y_test, y_pred)

# 画ROC曲线
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc(fpr, tpr))
plt.plot([0, 1], [0, 1], 'k--')
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()

# 计算AUC值
auc_value = auc(fpr, tpr)
print('AUC value is: %.2f' % auc_value)

在这个示例中，我们使用model.predict_proba函数获取模型的预测概率分数，X_test为测试数据，y_test为测试数据的真实标签。我们使用roc_curve函数计算出不同阈值下的真正率和假正率，并使用plt.plot函数画出ROC曲线。我们使用auc函数计算ROC曲线下的面积即AUC值，并输出AUC值。