用python实现性别年龄BMI对disease的预测划分训练80和测试集20在测试集上做疾病的预测需要使用随机森林算法选择评价预测效果的指标准确率和AUC绘图并评估预测效果

由于没有提供数据集，以下是一个示例代码，仅供参考：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, roc_auc_score, roc_curve
import matplotlib.pyplot as plt

# 读取数据集
df = pd.read_csv("data.csv")

# 划分特征和标签
X = df.iloc[:, :-1]
y = df.iloc[:, -1]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练随机森林模型
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)

# 在测试集上做预测
y_pred = rf.predict(X_test)
y_proba = rf.predict_proba(X_test)[:, 1]

# 计算准确率和AUC
acc = accuracy_score(y_test, y_pred)
auc = roc_auc_score(y_test, y_proba)

# 绘制ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_proba)
plt.plot(fpr, tpr, label=f"AUC={auc:.2f}")
plt.plot([0, 1], [0, 1], "k--")
plt.xlabel("False Positive Rate")
plt.ylabel("True Positive Rate")
plt.title("ROC Curve")
plt.legend()
plt.show()

# 输出评估结果
print(f"Accuracy: {acc:.2f}")
print(f"AUC: {auc:.2f}")

需要注意的是，数据集的特征和标签需要根据实际情况进行替换，而且随机森林模型的超参数也需要根据实际情况进行调整