如何在Python中绘制ROC曲线？

在机器学习领域，评估模型的性能是非常重要的一个步骤。而ROC曲线就是一种用于评估二分类模型性能的常用指标之一。ROC曲线是Receiver Operating Characteristic Curve的缩写，它是一种用于描述分类模型诊断效能的图标，通过绘制FPR（False Positive Rate）与TPR（True Positive Rate）的曲线进行模型性能评估。

Python中的scikit-learn库提供了一个简单易用的函数roc_curve，可以方便地生成ROC曲线。接下来，我们将结合示例代码详细讲解如何在Python中绘制ROC曲线。

阅读更多：Python 教程

1. 导入库

在开始编写代码之前，我们需要先导入相关的Python库。在本示例中，我们将使用numpy、matplotlib以及scikit-learn库。

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

以上是导入相关库的代码，numpy库用来处理数据，matplotlib库用于绘图，scikit-learn库提供了计算ROC曲线所需的函数。

2. 准备数据

接下来，我们需要准备一些样本数据，来演示如何绘制ROC曲线。

# 准备样本标签和预测概率
y_test = np.array([0, 1, 0, 1, 0, 1, 0, 1, 0, 1])  # 真实标签
y_prob = np.array([0.1, 0.9, 0.2, 0.8, 0.3, 0.7, 0.4, 0.6, 0.5, 0.5])  # 预测概率

这里我们准备了两个numpy数组：y_test表示样本的真实标签，y_prob表示模型对样本的预测概率。其中，y_test包含了10个样本，每个样本的标签为0或1；y_prob也有10个元素，表示模型对每个样本为1的概率。

3. 计算ROC曲线

有了样本数据之后，我们就可以开始计算ROC曲线了。scikit-learn库中的roc_curve函数可以计算出FPR和TPR。然后，我们还需要计算出AUC（Area Under Curve），用于综合评估模型的性能。

# 计算ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(fpr, tpr)

以上代码分别计算了FPR、TPR和阈值(thresholds)，同时也求出了AUC值。

4. 绘制ROC曲线

计算好ROC曲线的各个参数之后，我们就可以在图表中进行绘制了。这里使用matplotlib库进行绘图。

# 绘制ROC曲线
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange',
         lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, 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()

代码中，首先创建一个新的图表，然后通过plt.plot函数绘制ROC曲线。其中，’darkorange’和’navy’分别表示曲线的颜色，lw表示曲线的宽度。另外，我们还绘制了一条虚线，用于表示随机猜测的ROC曲线的表现。最后，我们还设置了x轴和y轴的标签、图表标题和图例等属性，最后通过plt.show()方法将图表显示出来。

完整代码如下：

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

# 准备样本标签和预测概率
y_test = np.array([0, 1, 0, 1, 0, 1, 0, 1, 0, 1])  # 真实标签
y_prob = np.array([0.1, 0.9, 0.2, 0.8, 0.3, 0.7, 0.4, 0.6, 0.5, 0.5])  # 预测概率

# 计算ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange',
         lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, 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()

运行以上代码，就可以得到如下的ROC曲线图表。