Python 多分类机器学习评估：绘制每个分类的 ROC 曲线

在 Python 中，可以使用 scikit-learn 库来绘制多分类问题的 ROC 曲线。以下是一个示例代码，将使用 iris 数据集进行演示：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
import numpy as np

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将目标变量二值化
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[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=0.5, random_state=0)

# 训练多分类模型
classifier = OneVsRestClassifier(SVC(kernel='linear', probability=True, random_state=0))
y_score = classifier.fit(X_train, y_train).decision_function(X_test)

# 计算每个类别的 ROC 曲线和 AUC 值
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# 绘制 ROC 曲线
plt.figure()
colors = ['blue', 'red', 'green']
for i, color in zip(range(n_classes), colors):
    plt.plot(fpr[i], tpr[i], color=color, lw=2, label='ROC curve of class ' + str(i) + ' (area = ' + str(roc_auc[i]) + ')')

plt.plot([0, 1], [0, 1], 'k--', lw=2)
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')
plt.legend(loc='lower right')
plt.show()

以上代码中，首先加载 iris 数据集，并将目标变量 y 二值化成一个多维数组。然后，使用 train_test_split 函数将数据集划分为训练集和测试集。接下来，使用 OneVsRestClassifier 来构建一个支持向量机 (SVM) 分类器，并使用 decision_function 方法获取每个类别的决策函数值。然后，使用 roc_curve 函数计算每个类别的 ROC 曲线的假阳性率 (FPR) 和真阳性率 (TPR)，再使用 auc 函数计算每个类别的 AUC 值。最后，使用 matplotlib 库绘制 ROC 曲线。