随机森林导入数据用kfold分层抽样后画roc_curve曲线三分类python代码

以下是用随机森林分类器对三分类数据进行K折分层抽样并绘制ROC曲线的Python代码示例：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import roc_curve, auc

# 导入数据
X = np.load('X.npy')  # 特征向量
y = np.load('y.npy')  # 标签

# 定义K折分层抽样
cv = StratifiedKFold(n_splits=5)

# 定义随机森林分类器
rfc = RandomForestClassifier(n_estimators=100)

# 初始化ROC曲线数据
mean_fpr = np.linspace(0, 1, 100)
tprs = []
aucs = []

# 遍历K折拆分的数据集
for i, (train, test) in enumerate(cv.split(X, y)):
    # 在训练集上训练分类器
    rfc.fit(X[train], y[train])
    
    # 在测试集上预测概率
    y_score = rfc.predict_proba(X[test])
    
    # 计算ROC曲线数据
    fpr, tpr, thresholds = roc_curve(y[test], y_score[:, 1])
    tprs.append(np.interp(mean_fpr, fpr, tpr))
    tprs[-1][0] = 0.0
    roc_auc = auc(fpr, tpr)
    aucs.append(roc_auc)
    
    # 绘制ROC曲线
    plt.plot(fpr, tpr, lw=1, alpha=0.3,
             label='ROC fold %d (AUC = %0.2f)' % (i+1, roc_auc))

# 绘制平均ROC曲线
mean_tpr = np.mean(tprs, axis=0)
mean_tpr[-1] = 1.0
mean_auc = auc(mean_fpr, mean_tpr)
plt.plot(mean_fpr, mean_tpr, color='b',
         label=r'Mean ROC (AUC = %0.2f)' % mean_auc, lw=2, alpha=.8)

# 绘制随机猜测线
plt.plot([0, 1], [0, 1], linestyle='--', lw=2, color='r',
         label='Random chance', alpha=.8)

# 设置图例、标题和坐标轴标签
plt.legend(loc="lower right")
plt.title('Random Forest ROC Curve for Three-Class Data')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')

# 显示图形
plt.show()

在以上代码中，我们首先导入了必要的库和数据。然后，我们使用`StratifiedKFold`方法定义了5折分层抽样交叉验证器。接下来，我们定义随机森林分类器，并初始化ROC曲线数据。在遍历K折拆分的数据集时，我们在训练集上训练分类器，然后在测试集上预测概率并计算ROC曲线数据。最后，我们绘制了平均ROC曲线、随机猜测线和图例、标题和坐标轴标签，并显示了图形。