用 Python 实现 ROC 曲线并标记最佳阈值及其数值标签

### 如何用Python绘制ROC曲线并计算AUC面积 #### 准备工作 为了能够顺利地绘制ROC曲线以及计算曲线下面积(AUC)，需要先导入必要的库。这些库包括`numpy`, `pandas`用于数据处理；`matplotlib.pyplot`和`seaborn`用来绘图；而`sklearn.metrics`中的`roc_curve`函数可以方便地获取假正率(FPR)、真正率(TPR)等参数，进而完成绘图操作[^1]。 ```python import numpy as np import pandas as pd from sklearn import metrics import matplotlib.pyplot as plt import seaborn as sns sns.set() ``` #### 数据预处理 假设已经拥有了经过训练模型预测得到的概率值y_score与实际标签y_true，则可以直接跳过此部分。如果还没有准备好这两组数据，则需根据具体情况进行相应的准备，比如加载数据集并对目标变量做二值化转换(当面对多分类问题时)[^3]。 对于给定的数据集，可能还需要执行一些额外的操作来确保输入格式正确无误： - 对于类别型特征可考虑采用One-Hot Encoding等方式将其转化为数值形式； - 如果存在缺失值则应采取适当措施填补或删除含有缺失值得样本点。 #### 获取FPR, TPR 和 AUC 值 通过调用`metrics.roc_curve()`方法传入真实标记(y_true)和对应的预测概率得分(y_scores), 可获得三个返回值分别为fpr(false positive rate), tpr(true positive rate) 以及阈值thresholds。接着利用`metrics.auc(fpr,tpr)`即可求得该条ROC曲线下方所围成区域大小即为AUC指标[^2]。 ```python # y_true表示真实的类标签; y_pred_prob表示预测为正类别的概率 fpr, tpr, thresholds = metrics.roc_curve(y_true, y_pred_prob) # 计算AUC auc_value = metrics.auc(fpr, tpr) print('The area under the ROC curve is:', auc_value) ``` #### 绘制ROC 曲线 最后一步就是基于上述所得的结果来进行可视化展示。这里推荐使用Matplotlib库提供的plot()函数，并设置好坐标轴范围、标题等内容使得图表更加直观易懂[^4]。 ```python plt.figure(figsize=(8,6)) plt.plot([0, 1], [0, 1],'r--') plt.plot(fpr, tpr,'b',label='AUC=%0.2f'% auc_value) plt.legend(loc='lower right') plt.title('Receiver Operating Characteristic (ROC)') plt.ylabel('True Positive Rate') plt.xlabel('False Positive Rate') plt.show() ```