交叉验证 加载iris数据集,拟合SVM ,1)使用train_test_split 分割训练集和测试集(80% VS 20%)2) 使用cross_val_score做十折交叉验证 3)计算交叉验证所有指标4)画出ROC曲线给出运行结果和图形

好的，我可以帮你完成这个任务。首先，我们需要导入所需的库和数据集。代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_curve, auc
import matplotlib.pyplot as plt

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

接下来，我们可以使用 `train_test_split` 将数据集分成训练集和测试集，代码如下：

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们可以使用 SVM 模型拟合训练集数据，代码如下：

# 拟合SVM模型
svm = SVC()
svm.fit(X_train, y_train)

接下来，我们可以使用测试集数据来评估模型的性能指标，包括准确率、精确度、召回率和 F1 分数，代码如下：

# 使用测试集评估模型性能
y_pred = svm.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='macro')
recall = recall_score(y_test, y_pred, average='macro')
f1 = f1_score(y_test, y_pred, average='macro')

print("准确率: {:.2f}".format(accuracy))
print("精确度: {:.2f}".format(precision))
print("召回率: {:.2f}".format(recall))
print("F1分数: {:.2f}".format(f1))

接下来，我们可以使用 `cross_val_score` 进行十折交叉验证，并计算所有指标的平均值和标准差，代码如下：

# 十折交叉验证
cv_accuracy = cross_val_score(svm, X, y, cv=10, scoring='accuracy').mean()
cv_precision = cross_val_score(svm, X, y, cv=10, scoring='precision_macro').mean()
cv_recall = cross_val_score(svm, X, y, cv=10, scoring='recall_macro').mean()
cv_f1 = cross_val_score(svm, X, y, cv=10, scoring='f1_macro').mean()

print("交叉验证准确率: {:.2f} (+/- {:.2f})".format(cv_accuracy, cross_val_score(svm, X, y, cv=10, scoring='accuracy').std() * 2))
print("交叉验证精确度: {:.2f} (+/- {:.2f})".format(cv_precision, cross_val_score(svm, X, y, cv=10, scoring='precision_macro').std() * 2))
print("交叉验证召回率: {:.2f} (+/- {:.2f})".format(cv_recall, cross_val_score(svm, X, y, cv=10, scoring='recall_macro').std() * 2))
print("交叉验证F1分数: {:.2f} (+/- {:.2f})".format(cv_f1, cross_val_score(svm, X, y, cv=10, scoring='f1_macro').std() * 2))

最后，我们可以画出模型的 ROC 曲线，代码如下：

# 画出ROC曲线
y_score = svm.fit(X_train, y_train).decision_function(X_test)
fpr, tpr, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

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')
plt.legend(loc="lower right")
plt.show()

完整代码如下：