### 使用 Python 的 Sklearn 库绘制 ROC 曲线 为了使用 `sklearn` 绘制接收者操作特征 (ROC) 曲线并计算曲线下面积 (AUC)，通常会遵循特定的数据处理流程以及调用相应的函数来完成这一目标[^1]。 ```python from sklearn import datasets, metrics, model_selection, svm import matplotlib.pyplot as plt # 加载数据集 X, y = datasets.make_classification(n_samples=1000, n_features=20, n_classes=2, weights=[1, 1], random_state=1) # 划分训练集和测试集 X_train, X_test, y_train, y_test = model_selection.train_test_split( X, y, test_size=0.3, stratify=y, random_state=1) # 创建支持向量机模型实例 clf = svm.SVC(kernel='linear', probability=True, random_state=1) # 训练模型 clf.fit(X_train, y_train) # 预测概率 y_prob = clf.predict_proba(X_test)[:, 1] # 获取假阳性率(fpr), 真阳性率(tpr), 和阈值(thresholds) fpr, tpr, thresholds = metrics.roc_curve(y_test, y_prob) # 计算 AUC 值 auc_value = metrics.auc(fpr, tpr) # 绘制 ROC 曲线 plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label=f'ROC curve (area = {auc_value:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') 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 Curve') plt.legend(loc="lower right") plt.show() ``` 上述代码展示了如何利用 `sklearn` 来构建一个简单的二元分类器，并通过该分类器预测的概率得分来绘制 ROC 曲线，同时计算对应的 AUC 值。此过程涉及加载数据、划分数据集、创建和支持向量机(SVM)模型的拟合、获取预测概率分数等一系列步骤，最终实现了图形化展示性能指标的目的[^4]。