python代码怎么写多分类的化auc曲线

要绘制多分类任务的AUC曲线，您可以使用`sklearn.metrics.roc_curve`函数来计算每个类别的假正率（False Positive Rate）和真正率（True Positive Rate），然后使用Matplotlib库来绘制曲线。

以下是一个示例代码，演示如何计算并绘制多分类任务的AUC曲线：

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
import numpy as np

# 假设有3个类别，每个类别有10个样本
# 假设真实标签为labels，预测概率为probs

# labels是每个样本的真实标签，以0、1、2表示三个类别
labels = np.array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1])

# probs是每个样本属于各个类别的预测概率，以二维数组表示
probs = np.array([[0.9, 0.05, 0.05], [0.2, 0.7, 0.1], [0.1, 0.4, 0.5], 
                  [0.8, 0.15, 0.05], [0.3, 0.5, 0.2], [0.1, 0.3, 0.6],
                  [0.7, 0.2, 0.1], [0.3, 0.4, 0.3], [0.05, 0.2, 0.75],
                  [0.6, 0.25, 0.15], [0.3, 0.4, 0.3], [0.2, 0.6, 0.2],
                  [0.7, 0.15, 0.15], [0.2, 0.3, 0.5], [0.1, 0.4, 0.5],
                  [0.8, 0.1, 0.1], [0.3, 0.55, 0.15], [0.05, 0.25, 0.7],
                  [0.9, 0.05, 0.05], [0.2, 0.6, 0.2]])

# 计算多分类AUC曲线
fpr = dict()
tpr = dict()
roc_auc = dict()
n_classes = len(np.unique(labels))
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(labels == i, probs[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# 绘制AUC曲线
plt.figure()
colors = ['blue', 'red', 'green']
for i in range(n_classes):
    plt.plot(fpr[i], tpr[i], color=colors[i], label='Class %d (AUC = %0.2f)' % (i, roc_auc[i]))
plt.plot([0, 1], [0, 1], color='black', 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('Multi-class ROC Curve')
plt.legend(loc="lower right")
plt.show()

在上面的示例中，我们首先使用`roc_curve`函数计算每个类别的假正率（FPR）和真正率（TPR）。然后，使用`auc`函数计算每个类别的AUC。最后，使用Matplotlib库绘制AUC曲线。每个类别的AUC值以标签形式显示在曲线旁边。

请注意，上述示例假设了三个类别，您可以根据您的实际情况进行调整。此外，如果您的模型输出的是类别标签而不是概率，您需要将其转换为概率形式，例如使用softmax函数。