用python通过输入混淆矩阵画多分类的roc曲线

首先，为了绘制ROC曲线，我们需要得到多分类的真阳性率（TPR）和假阳性率（FPR）数据。混淆矩阵是一个2x2（对于二分类问题）或NxN（对于多分类问题）的矩阵，其中行表示真实类别，列表示预测类别。在多分类问题中，我们可以将每个类别都作为正类，计算它们的TPR和FPR数据来绘制ROC曲线。

以下是通过输入混淆矩阵画多分类的ROC曲线的Python代码示例：

import numpy as np
import matplotlib.pyplot as plt

# 定义混淆矩阵
confusion_matrix = np.array([[14, 2, 1],
                             [3, 15, 3],
                             [1, 2, 17]])

# 计算TPR和FPR数据
n_classes = confusion_matrix.shape[0]
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(
        y_true=(confusion_matrix[i, :] == 1).astype(int),
        y_score=confusion_matrix[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# 绘制ROC曲线
plt.figure(figsize=(8, 6))
colors = ['blue', 'red', 'green']
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color,
             lw=2, label='ROC curve of class {0} (area = {1:0.2f})'
             ''.format(i+1, roc_auc[i]))
plt.plot([0, 1], [0, 1], 'k--', lw=2)
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

在此示例中，我们使用了一个3x3的混淆矩阵，分别代表三个类别的真实标签和预测标签。我们计算每个类别的TPR和FPR数据，并使用`roc_curve`和`auc`函数计算ROC曲线。最后，我们绘制每个类别的ROC曲线，并标注每条曲线的AUC（面积）。ROC曲线的对角线代表随机猜测的水平，我们绘制了这条对角线以进行比较。