### 使用Python绘制五种类别的ROC曲线 在完成基于深度学习网络的图像分类任务后，可以使用 `scikit-learn` 库中的工具来绘制多类别 ROC 曲线。以下是详细的实现方法： #### 导入必要的库 为了绘制多类别 ROC 曲线，需要导入以下库： ```python import numpy as np from sklearn.preprocessing import label_binarize from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt ``` #### 数据准备 假设已经完成了图像分类任务并获得了测试集的真实标签 (`y_test`) 和模型预测的概率分布 (`y_score`)。 1. **真实标签的二值化处理** 如果原始标签是非二进制形式，则需将其转换为二进制矩阵表示。 ```python n_classes = 5 # 假设有五个类别 y_test_bin = label_binarize(y_test, classes=np.arange(n_classes)) ``` 2. **获取模型预测的概率分布** 预测概率通常通过模型的 softmax 输出获得。 ```python y_score = model.predict(X_test) # X_test 是测试集输入数据 ``` #### 计算每类的 FPR、TPR 和 AUC 对于每个类别分别计算其对应的假正率 (FPR)、真正率 (TPR)，以及曲线下面积 (AUC)。 ```python fpr = dict() tpr = dict() roc_auc = dict() for i in range(n_classes): fpr[i], tpr[i], _ = roc_curve(y_test_bin[:, i], y_score[:, i]) roc_auc[i] = auc(fpr[i], tpr[i]) # 计算该类别的AUC值 ``` #### 绘制单个类别的 ROC 曲线 可以选择单独绘制某一类别的 ROC 曲线，或者将所有类别汇总在一起显示。 ```python plt.figure(figsize=(8, 6)) colors = ['blue', 'red', 'green', 'orange', 'purple'] for i, color in zip(range(n_classes), colors): plt.plot( fpr[i], tpr[i], color=color, lw=2, label=f'Class {i} (area = {roc_auc[i]:.2f})' ) # 对角线代表随机猜测的结果 plt.plot([0, 1], [0, 1], 'k--', lw=2) plt.xlim([-0.05, 1.05]) plt.ylim([-0.05, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic for Multi-class Data') plt.legend(loc="lower right") plt.show() ``` #### 微平均和宏平均 ROC 曲线 除了逐类绘制外，还可以进一步计算整体表现指标——微平均 (Micro-average) 和宏平均 (Macro-average) 的 ROC 曲线。 1. **微平均 ROC** 这种方式考虑了所有样本的整体性能。 ```python fpr_micro, tpr_micro, _ = roc_curve(y_test_bin.ravel(), y_score.ravel()) roc_auc_micro = auc(fpr_micro, tpr_micro) ``` 2. **宏平均 ROC** 宏平均是对每一类的 TPR 和 FPR 取均值得到。 ```python all_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)])) mean_tpr = np.zeros_like(all_fpr) for i in range(n_classes): mean_tpr += np.interp(all_fpr, fpr[i], tpr[i]) mean_tpr /= n_classes fpr_macro = all_fpr tpr_macro = mean_tpr roc_auc_macro = auc(fpr_macro, tpr_macro) ``` 3. **绘制两种平均 ROC 曲线** ```python plt.figure(figsize=(8, 6)) plt.plot(fpr_micro, tpr_micro, label=f'Micro-average ROC curve (area = {roc_auc_micro:.2f})', color='deeppink', linestyle=':', linewidth=4) plt.plot(fpr_macro, tpr_macro, label=f'Macro-average ROC curve (area = {roc_auc_macro:.2f})', color='navy', linestyle=':', linewidth=4) plt.plot([0, 1], [0, 1], 'k--', lw=2) plt.xlim([-0.05, 1.05]) plt.ylim([-0.05, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Average Receiver Operating Characteristic Curves') plt.legend(loc="lower right") plt.show() ``` --- 以上过程展示了如何利用 Python 中的相关工具绘制多类别 ROC 曲线，并提供了微平均和宏平均的方法用于综合评价模型的表现[^1][^2].