问题描述
我想为有4个类的问题绘制ROC曲线。经过培训和预测，我创建了真实和预测的班级列表。这是我的清单。
true_class列表： [0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0 ，1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1 ，2，3，0，1，2，0，1，2，0，1，2，0，1，2，0，1，2，0，1，2，0，1，2，0，1 ，2、0、1、2、3、0、1、2、0、1、2、0、1、2、0、1、2、0、1、2、0、1、2、0、1 ，2，0，1，2，0，1，2，0，1，2，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0 ，1，0，1，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1 ，0，1，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1，0 ，1，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1，0，1 ，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1，0，1，0 ，1、1、1、0、1、2、3、1、0、1、2、3、3、3、3、3、3、3、3、3、3、3、3、3、3 ，3、3、3、3、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3 ，2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2 ，3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3 ，2、3、2、3、2、3、2、3、2 3，2，3，2，3，2，3，2，2，2，2，2，0，0，0，3，3，3，3，3，2]
predicted_class列表： [0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0 ，1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1、2、3、0、1 ，2，3，0，1，2，0，1，2，0，1，2，0，1，2，0，1，2，0，1，2，0，1，2，0，1 ，2、0、1、2、3、0、1、2、0、1、2、0、1、2、0、1、2、0、1、2、0、1、2、0、1 ，2，0，1，2，0，1，2，0，1，2，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0 ， 1，0，1，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1， 0，1，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1，0， 1，0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1，0，1， 0，1，0，1，0，1，0，1，2，3，0，1，0，1，0，1，0，1，0，1，0，1，0，1，0， 1，1，1，0，1，2，3，1，0，1，2，3，3，3，3，2，2，3，3，3，3，3，3，3，3，3， 3、3、3、3、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3， 2、3、2、3、2、3、2、3、2、3、2、3、2、2、2、3、2、3、2、3、2、3、2、3、2 3、2、3、2、3、2、3、2、3、2、3、2、3， 2、3、2、3、2、3、2、3、3、3、2、3、2、3、2、3、2、3、2、3、2、3、2、3、2， 3，2，3，2，2，2，2，2，0，0，0，3，3，3，3，3，3，2]
解决方法
ROC曲线通常是用非阈值数据绘制的，有关二进制roc曲线，请参见sklearn实现。多类别roc曲线也有一些扩展（通常也与非阈值预测一起使用），但是比这更好的指标。
,您可以使用它，因为它是二进制的，应该确定我设置的roc_curve中pos_label=1的正值是什么，所以您应该自行确定
import sklearn.metrics as metrics
falsepr,truepr,threshold = metrics.roc_curve(true_class_list,predicted_class_list,pos_label=1)
roc_auc = metrics.auc(falsepr,truepr)
# method I: plt
import matplotlib.pyplot as plt
plt.title('Receiver Operating Characteristic')
plt.plot(falsepr,'b',label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0,1],[0,'r--')
plt.xlim([0,1])
plt.ylim([0,1])
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()
也许使用与ROC曲线不同的度量标准，因为它们与用例不太吻合。