首先以支持向量机模型为例
先导入需要使用的包，我们将使用roc_curve这个函数绘制ROC曲线！
from sklearn.svm import SVC
from sklearn.metrics import roc_curve
from sklearn.datasets import make_blobs
from sklearn. model_selection import train_test_split
import matplotlib.pyplot as plt
%matplotlib inline然后使用下面make_blobs函数，生成一个二分类的数据不平衡数据集；
使用train_test_split函数划分训练集和测试集数据；
训练SVC模型。
X,y = make_blobs(n_samples=(4000,500), cluster_std=[7,2], random_state=0)
X_train,X_test,y_train, y_test = train_test_split(X,y,random_state=0)
clf = SVC(gamma=0.05).fit(X_train, y_train)
fpr,tpr, thresholds = roc_curve(y_test,clf.decision_function(X_test))
plt.plot(fpr,tpr,label='ROC')
plt.xlabel('FPR')
plt.ylabel('TPR')从上面的代码可以看到，我们使用roc_curve函数生成三个变量，分别是fpr,tpr, thresholds，也就是假正例率（FPR）、真正例率（TPR）和阈值。
而其中的fpr,tpr正是我们绘制ROC曲线的横纵坐标，于是我们以变量fpr为横坐标，tpr为纵坐标，绘制相应的ROC图像如下：
值得注意的是上面的支持向量机模型使用的decision_function函数，是自己所特有的，而其他模型不能直接使用。
比如说我们想要使用其他模型（例如决策树模型）的结果绘制ROC,直接套用上面的代码，会报错，会显示没有这个函数。
以决策树模型为例，解决上述问题（适用于除向量机外的模型）
导入决策树模型包以及训练模型的代码省略了，只需要手动改一改就行了，我们直接看绘图的代码！
fpr,tpr, thresholds = roc_curve(y_test,clf.predict_proba(X_test)[:,1])
plt.plot(fpr,tpr,label='ROC')
plt.xlabel('FPR')
plt.ylabel('TPR')可以看到我们直接把只适用于支持向量机模型的函数decision_function更改成predict_proba(X_test)[:,1]就行了，让我们看看结果：
可以看到哈，决策树模型在这个数据集上的泛化能力不如支持向量机哈！！！学废了吗。
我可以失败，但绝不会认输！
到此这篇关于Python中ROC曲线绘制的文章就介绍到这了,更多相关Python ROC曲线绘制内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
