LR的ROC曲线代码分析

LR模型的ROC曲线可以通过Python中的sklearn库实现。以下是一个简单的示例代码：

# 导入必要的库和数据
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

X, y = make_classification(n_samples=1000, n_classes=2, random_state=42)

# 将数据划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练LR模型
clf = LogisticRegression(random_state=42)
clf.fit(X_train, y_train)

# 预测概率
y_score = clf.predict_proba(X_test)[:, 1]

# 生成ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure(figsize=(8, 6))
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 example')
plt.legend(loc="lower right")
plt.show()

首先，我们使用make_classification函数生成一个包含1000个样本和2个类别的人工数据集。然后，我们将数据集划分为训练集和测试集，并使用LogisticRegression函数来拟合LR模型。接下来，我们使用predict_proba函数来预测每个测试样本的概率，最后，使用roc_curve和auc函数计算ROC曲线和AUC值，并使用matplotlib库绘制ROC曲线。