### GNN算法绘制ROC曲线的Python实现方法 以下是使用GNN算法并绘制ROC曲线的Python代码示例。此代码结合了引用中的内容和常见的机器学习实践，确保实现过程完整且易于理解。 ```python import numpy as np import networkx as nx import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, roc_auc_score from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelBinarizer from sklearn.linear_model import LogisticRegression from torch_geometric.datasets import Planetoid import torch from torch_geometric.data import Data from torch_geometric.transforms import NormalizeFeatures from torch_geometric.nn import GCNConv # 加载Cora数据集作为示例 dataset = Planetoid(root='data/Planetoid', name='Cora', transform=NormalizeFeatures()) data = dataset[0] # 构建训练集、验证集和测试集 train_mask = data.train_mask val_mask = data.val_mask test_mask = data.test_mask # 定义GCN模型 class GCN(torch.nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(GCN, self).__init__() self.conv1 = GCNConv(input_dim, hidden_dim) self.conv2 = GCNConv(hidden_dim, output_dim) def forward(self, x, edge_index): x = self.conv1(x, edge_index) x = torch.relu(x) x = self.conv2(x, edge_index) return x # 初始化模型 model = GCN(input_dim=dataset.num_features, hidden_dim=16, output_dim=dataset.num_classes) optimizer = torch.optim.Adam(model.parameters(), lr=0.01) criterion = torch.nn.CrossEntropyLoss() # 训练模型 def train(): model.train() optimizer.zero_grad() out = model(data.x, data.edge_index) loss = criterion(out[train_mask], data.y[train_mask]) loss.backward() optimizer.step() return loss # 测试模型 @torch.no_grad() def test(mask): model.eval() out = model(data.x, data.edge_index) pred = out.argmax(dim=1) correct = (pred[mask] == data.y[mask]).sum().item() acc = correct / mask.sum().item() return acc, out # 训练循环 for epoch in range(1, 201): loss = train() if epoch % 50 == 0: val_acc, _ = test(val_mask) print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Val Acc: {val_acc:.4f}') # 获取测试集预测结果 test_acc, out = test(test_mask) print(f'Test Accuracy: {test_acc:.4f}') # 绘制ROC曲线 y_true = data.y[test_mask].numpy() y_pred = out[test_mask].detach().numpy() lb = LabelBinarizer() y_true_bin = lb.fit_transform(y_true) y_pred_bin = lb.transform(np.argmax(y_pred, axis=1)) fpr, tpr, thresholds = roc_curve(y_true_bin.ravel(), y_pred_bin.ravel()) roc_auc = roc_auc_score(y_true_bin, y_pred_bin, average='micro') 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='--') 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() ``` 上述代码实现了以下功能： - 使用`torch_geometric`库加载Cora数据集[^2]。 - 定义了一个简单的图卷积网络（GCN）模型，并通过交叉熵损失函数进行训练。 - 在测试集上评估模型性能，并生成分类结果。 - 利用`sklearn.metrics`模块计算ROC曲线和AUC值，并绘制ROC曲线图[^1]。 ### 注意事项 - 确保安装了必要的依赖库，如`torch`, `torch_geometric`, 和 `networkx`。 - 如果使用自定义数据集，请根据实际情况调整数据预处理步骤。 - ROC曲线适用于二分类或经过编码转换后的多分类问题。