python已有y_test为测试集，y_train为训练集，如何绘制ROC图

绘制 ROC 曲线需要先计算出真正率（True Positive Rate，TPR）和假正率（False Positive Rate，FPR），其中：

- TPR = TP / (TP + FN)，表示实际为正例中被正确预测为正例的比率。
- FPR = FP / (FP + TN)，表示实际为负例中被错误预测为正例的比率。

其中，TP表示真正例（True Positive），即实际为正例且被预测为正例的样本数；FN表示假负例（False Negative），即实际为正例但被预测为负例的样本数；FP表示假正例（False Positive），即实际为负例但被预测为正例的样本数；TN表示真负例（True Negative），即实际为负例且被预测为负例的样本数。

下面是一个使用 scikit-learn 库绘制 ROC 曲线的示例代码，假设 y_test 和 y_pred 为测试集标签和模型预测标签：

from sklearn.metrics import roc_curve, auc

# 计算 FPR 和 TPR
fpr, tpr, thresholds = roc_curve(y_test, y_pred)
roc_auc = auc(fpr, tpr)

# 绘制 ROC 曲线
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()

其中，roc_curve() 函数用于计算 FPR 和 TPR，auc() 函数用于计算 ROC 曲线下的面积（AUC）。最后使用 matplotlib 库绘制 ROC 曲线。