### 完整代码实现 以下是基于 Python 和 `scikit-learn` 的完整代码示例，用于生成分类器的 ROC 曲线。此代码还展示了如何计算精度召回率曲线以及 XGBoost 回归模型的应用。 ```python import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.metrics import roc_curve, auc, precision_recall_curve from xgboost import XGBClassifier # 数据集生成 X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 使用 XGBoost 构建分类器 model = XGBClassifier(use_label_encoder=False, eval_metric='logloss') model.fit(X_train, y_train) # 预测概率 y_pred_proba = model.predict_proba(X_test)[:, 1] # 计算 ROC 曲线数据 fpr, tpr, _ = roc_curve(y_test, y_pred_proba) roc_auc = auc(fpr, tpr) # 绘制 ROC 曲线 plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC Curve (area = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') # 对角线 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 (ROC)') plt.legend(loc="lower right") plt.show() # 计算 Precision-Recall 曲线数据 precision, recall, _ = precision_recall_curve(y_test, y_pred_proba) # 绘制 Precision-Recall 曲线 plt.figure(figsize=(8, 6)) plt.step(recall, precision, color='b', alpha=0.2, where='post') plt.fill_between(recall, precision, step='post', alpha=0.2, color='b') plt.xlabel('Recall') plt.ylabel('Precision') plt.title('Precision-Recall Curve') plt.show() ``` 上述代码实现了以下功能： 1. **数据准备**：通过 `make_classification` 函数创建了一个二分类的数据集[^1]。 2. **模型构建与拟合**：利用 `XGBClassifier` 进行分布式梯度提升回归算法的优化，并完成模型训练[^2]。 3. **ROC 曲线绘制**：调用了 `sklearn.metrics.roc_curve` 方法来获取假正类率（FPR）、真正类率（TPR），并通过 `auc` 函数计算曲线下面积（AUC）。最后使用 Matplotlib 展现了 ROC 曲线图。 4. **Precision-Recall 曲线绘制**：同样借助 `sklearn.metrics.precision_recall_curve` 来提取精确率（Precision）和召回率（Recall），并绘制成图形。 ### 注意事项 为了确保代码运行无误，请确认已安装必要的库依赖项，例如 `numpy`, `matplotlib`, `scikit-learn`, 和 `xgboost`。如果尚未安装这些包，则可以通过 pip 命令进行安装： ```bash pip install numpy matplotlib scikit-learn xgboost ``` --- ####