Python实现二分类ROC曲线绘制 - 代码详解及示例

这段代码实现了二分类的ROC曲线的绘制。具体步骤如下：\n\n1. 导入所需的库和模块：\n - 导入load_iris函数用于加载鸢尾花数据集\n - 导入SVC类用于支持向量机分类器的建模\n - 导入pandas库用于数据处理\n - 导入matplotlib.pyplot用于绘图\n - 导入classification_report、roc_auc_score、confusion_matrix、accuracy_score、roc_curve和auc函数用于计算分类报告、ROC曲线的参数和AUC值\n - 导入train_test_split函数用于将数据集划分为训练集和测试集\n\n2. 加载鸢尾花数据集：\n - 使用load_iris函数加载鸢尾花数据集\n - 使用pd.DataFrame函数将数据集转换为DataFrame格式\n - 添加一个名为class的列，该列表示目标变量\n\n3. 数据预处理：\n - 从鸢尾花数据集中选择class为0和1的样本，构建新的数据集iris_new\n - 将新数据集划分为特征变量X和目标变量Y\n\n4. 数据集划分：\n - 使用train_test_split函数将数据集划分为训练集和测试集，其中测试集占总样本的30%\n\n5. 模型建立与评估：\n - 使用支持向量机分类器SVC建立模型\n - 使用fit方法拟合模型\n - 使用score方法计算模型在测试集上的准确率\n - 使用predict方法对测试集进行预测，得到预测结果result\n\n6. 计算ROC曲线的参数：\n - 使用roc_curve函数计算真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）以及阈值\n - Ytest为真实的目标变量值，result为预测的目标变量值\n\n7. 计算AUC：\n - 使用auc函数计算ROC曲线下的面积（AUC）\n\n8. 绘制ROC曲线：\n - 使用plot函数绘制ROC曲线，其中横轴为FPR，纵轴为TPR\n - 使用plot函数绘制对角线，表示随机猜测的曲线\n - 设置横轴和纵轴的范围、标签和标题\n - 使用legend函数添加图例\n - 使用grid函数添加网格线\n - 使用show函数显示图像