### 使用Python绘制多条DCA曲线 为了实现这一目标，可以利用`pydca`库来计算不同模型下的决策曲线数据，并通过`matplotlib`或`seaborn`来进行可视化展示[^1]。 首先安装必要的包： ```bash pip install pydca matplotlib seaborn pandas scikitplot ``` 接着准备用于绘图的数据集以及定义多个预测模型的概率输出。这里假设已经有了经过训练的不同机器学习模型对于同一组测试样本给出的风险概率估计值存储在一个Pandas DataFrame对象中，每一列代表一个不同的风险评分模型的结果[^2]。 下面是一个完整的例子，展示了如何加载数据并创建带有置信区间的多条DCA曲线图表： ```python import numpy as np import pandas as pd from sklearn.datasets import load_breast_cancer from skplot.metrics import plot_decision_curve import matplotlib.pyplot as plt import seaborn as sns # 加载乳腺癌数据集作为示例 data = load_breast_cancer() X, y = data.data, data.target # 假设有三个不同的分类器已经对这些数据进行了预测， # 并得到了它们各自的预测概率分数。 predictions_df = pd.DataFrame({ 'model_1': np.random.rand(len(y)), # 随机生成模拟的第一种模型预测结果 'model_2': np.random.rand(len(y)), # 第二种... 'model_3': np.random.rand(len(y)) # 第三种... }) fig, ax = plt.subplots(figsize=(8, 6)) for col in predictions_df.columns: plot_decision_curve( y_true=y, y_probas=predictions_df[[col]].values, thresh_vals=np.arange(0, 1, 0.01), n_bootstraps=100, title='', ax=ax, label=f'Decision curve ({col})' ) sns.despine(fig=fig) plt.xlabel('Threshold Probability') plt.ylabel('Net Benefit') plt.legend(loc='upper right', bbox_to_anchor=(1.25, 1)) plt.tight_layout() plt.show() ``` 这段代码会依次迭代每一个模型对应的预测概率向量，并调用`skplot.metrics.plot_decision_curve()`函数分别画出每一条决策曲线。最后调整图形样式使其更加美观易读[^3]。