使用Python，根据混淆矩阵，绘制每个类别的ROC曲线和平均ROC曲线，并求出所有ROC的AUC

以下是用Python绘制每个类别的ROC曲线和平均ROC曲线的示例代码：

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

def plot_roc_curve(target, predicted, classes):
    fpr = dict()
    tpr = dict()
    roc_auc = dict()
    for i in range(len(classes)):
        fpr[i], tpr[i], _ = roc_curve(target[:, i], predicted[:, i])
        roc_auc[i] = auc(fpr[i], tpr[i])
    # Compute micro-average ROC curve and ROC area
    fpr["micro"], tpr["micro"], _ = roc_curve(target.ravel(), predicted.ravel())
    roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
    # Plot ROC curves
    plt.figure()
    lw = 2
    plt.plot(fpr["micro"], tpr["micro"], color='darkorange',
             lw=lw, label='micro-average ROC curve (area = {0:0.2f})'
             ''.format(roc_auc["micro"]))
    for i in range(len(classes)):
        plt.plot(fpr[i], tpr[i], lw=lw,
                 label='ROC curve of class {0} (area = {1:0.2f})'
                 ''.format(classes[i], roc_auc[i]))
    plt.plot([0, 1], [0, 1], color='navy', lw=lw, 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()

其中，`target`是真实标签，`predicted`是模型预测的结果，`classes`是所有类别的标签。该函数会绘制每个类别的ROC曲线和平均ROC曲线，并计算每个类别ROC曲线下面积（AUC）和平均ROC曲线下面积（micro-average AUC）。运行该函数即可生成ROC曲线图表。

例如下面是使用该函数绘制二分类问题的ROC曲线的示例代码：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier

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

# 将标签二值化
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[1]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, random_state=0)

# 训练模型
classifier = OneVsRestClassifier(LogisticRegression())
y_score = classifier.fit(X_train, y_train).predict_proba(X_test)

# 绘制ROC曲线
plot_roc_curve(y_test, y_score, classes=[0, 1, 2])

在这个例子中，我们使用`iris`数据集进行二分类问题的演示。首先将标签进行二值化，然后划分训练集和测试集。使用`OneVsRestClassifier`将逻辑回归模型应用于每个类别。最后，使用`plot_roc_curve`函数绘制ROC曲线图表。