### 使用Python计算AUC和准确率、绘制ROC曲线以及进行数据降维的方法 #### 1. 计算AUC和准确率 在机器学习中，AUC（Area Under Curve）是ROC曲线下的面积，用于衡量分类器的性能。准确率（Accuracy）则是分类正确的样本数占总样本数的比例。 可以通过`sklearn.metrics`模块中的`roc_auc_score`函数计算AUC值[^1]。对于准确率，可以使用`accuracy_score`函数。 ```python from sklearn.metrics import roc_auc_score, accuracy_score # 假设 y_true 是真实标签，y_prob 是预测概率 auc = roc_auc_score(y_true, y_prob) # 计算 AUC 值 accuracy = accuracy_score(y_true, y_pred) # 计算准确率 ``` #### 2. 绘制ROC曲线 绘制ROC曲线需要计算假正率（False Positive Rate, FPR）和真正率（True Positive Rate, TPR）。`sklearn.metrics`模块提供了`roc_curve`函数来实现这一功能[^1]。 ```python import matplotlib.pyplot as plt from sklearn.metrics import roc_curve fpr, tpr, thresholds = roc_curve(y_true, y_prob) # 计算 FPR 和 TPR plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (area = {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') plt.legend(loc="lower right") plt.show() ``` #### 3. 数据降维方法 数据降维是一种将高维数据转换为低维数据的技术，常用的降维方法包括主成分分析（PCA）和线性判别分析（LDA）。`sklearn.decomposition`模块提供了`PCA`类[^4]。 ```python from sklearn.decomposition import PCA # 初始化 PCA 模型，保留前两个主成分 pca = PCA(n_components=2) X_pca = pca.fit_transform(X) # 对数据进行降维 ``` 如果需要结合留一法（LOOCV）进行分类并绘制ROC曲线，可以参考以下代码[^3]： ```python from sklearn.model_selection import LeaveOneOut from sklearn.svm import SVC loo = LeaveOneOut() y_scores = [] y_true_loo = [] for train_index, test_index in loo.split(X): X_train, X_test = X[train_index], X[test_index] y_train, y_test = y[train_index], y[test_index] clf = SVC(probability=True) clf.fit(X_train, y_train) y_scores.append(clf.predict_proba(X_test)[0][1]) # 获取正类的概率 y_true_loo.append(y_test[0]) # 计算 ROC 和 AUC fpr, tpr, _ = roc_curve(y_true_loo, y_scores) auc_value = roc_auc_score(y_true_loo, y_scores) # 绘制 ROC 曲线 plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (area = {auc_value:.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('ROC Curve with LOOCV') plt.legend(loc="lower right") plt.show() ``` ####