建立y~x1+x2+x3的logist回归模型，展示模型结果(15分); 绘制ROC曲线，计算AUC值

好的，我已经记录了您的问题。建立y~x1 x2 x3的logist回归模型，通常需要进行以下步骤：

1. 数据预处理：包括变量选择、数据清洗、缺失数据的处理等；
2. 模型建立：采用最大似然估计、优化算法等方法，估计模型参数；
3. 模型诊断：对模型进行偏差和方差的分析，检验假设、检查残差等；
4. 模型评估：计算准确率、召回率、F1值等指标，绘制ROC曲线、计算AUC值等。

关于建立y~x1 x2 x3的logist回归模型，这里先提供一个示例代码：

import pandas as pd
import numpy as np
import statsmodels.formula.api as smf
from sklearn import metrics

# 导入数据集
data = pd.read_csv('data.csv')

# 模型建立，其中y是目标变量，x1、x2、x3是自变量
logit_model = smf.logit(formula='y ~ x1 + x2 + x3', data=data).fit()

# 模型结果展示
print(logit_model.summary())

# 绘制ROC曲线，计算AUC值
y_true = data['y']
y_pred = logit_model.predict(data[['x1', 'x2', 'x3']])
fpr, tpr, thresholds = metrics.roc_curve(y_true, y_pred)
auc = metrics.roc_auc_score(y_true, y_pred)

# 显示ROC曲线和AUC值
import matplotlib.pyplot as plt
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc)
plt.plot([0, 1], [0, 1], 'k--')
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 curve')
plt.legend(loc="lower right")
plt.show()

print('AUC=%.2f' % auc)

这段代码中，我们采用logit模型进行回归，使用最大似然估计法估计模型参数。接着，我们打印出模型的结果、绘制ROC曲线，并计算AUC值。

希望这个示例对您有所帮助。