### Python绘制ROC曲线并计算AUC面积 在Python中，可以利用`sklearn.metrics`模块中的`roc_curve`和`auc`函数来完成ROC曲线的绘制以及AUC面积的计算。以下是详细的说明与示例代码。 #### ROC曲线绘制 通过调用`roc_curve`函数，可以获得假阳性率（FPR）、真阳性率（TPR）以及阈值列表。这些数据可用于绘制ROC曲线[^2]。 ```python from sklearn.metrics import roc_curve import matplotlib.pyplot as plt # 假设test_y为真实标签，pred_prob为预测概率 fpr, tpr, thresholds = roc_curve(test_y, pred_prob, pos_label=1) plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve') 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 (FPR)') plt.ylabel('True Positive Rate (TPR)') plt.title('Receiver Operating Characteristic Curve') plt.legend(loc="lower right") plt.show() ``` #### AUC面积计算 使用`auc`函数可以直接计算曲线下方的面积（AUC）。该值反映了模型区分正负样本的能力[^3]。 ```python from sklearn.metrics import auc area_under_curve = auc(fpr, tpr) print(f"AUC Area: {area_under_curve}") ``` 完整的代码如下： ```python from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 示例数据 test_y = [0, 0, 1, 1] # 真实标签 pred_prob = [0.1, 0.4, 0.35, 0.8] # 预测的概率 # 计算FPR、TPR和阈值 fpr, tpr, thresholds = roc_curve(test_y, pred_prob, pos_label=1) # 绘制ROC曲线 plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve') 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 (FPR)') plt.ylabel('True Positive Rate (TPR)') plt.title('Receiver Operating Characteristic Curve') plt.legend(loc="lower right") # 计算AUC area_under_curve = auc(fpr, tpr) print(f"AUC Area: {area_under_curve}") plt.show() ``` 上述代码展示了如何从零开始构建一个简单的ROC曲线，并计算其对应的AUC值[^4]。 ---