ROC曲线和AUC指标介绍（了解）

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc, roc_auc_score
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification

# 1. 生成示例数据
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 2. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 3. 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 4. 预测概率
y_prob = model.predict_proba(X_test)[:, 1]  # 正类的概率

# 5. 计算ROC曲线
fpr, tpr, thresholds = roc_curve(y_test, y_prob)

# 6. 计算AUC
auc_value = auc(fpr, tpr)
print(f"AUC值: {auc_value:.4f}")

# 7. 绘制ROC曲线
plt.figure(figsize=(10, 8))
plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC curve (AUC = {auc_value:.4f})')
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--', label='Random (AUC = 0.5)')
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('ROC Curve')
plt.legend(loc="lower right")
plt.grid(True, alpha=0.3)
plt.show()

# 8. 手动计算FPR和TPR
print("\n=== 手动计算验证 ===")
from sklearn.metrics import confusion_matrix

y_pred = model.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
tn, fp, fn, tp = cm.ravel()

fpr_manual = fp / (fp + tn)
tpr_manual = tp / (tp + fn)

print(f"混淆矩阵: TP={tp}, FP={fp}, FN={fn}, TN={tn}")
print(f"FPR(假正率): {fpr_manual:.4f}")
print(f"TPR(真正率): {tpr_manual:.4f}")

# 9. 四个特殊点说明
print("\n=== 四个特殊点 ===")
print("(0, 0): 所有反例找出来，所有正例没找出来")
print("(1, 0): 效果最差，啥都没找出来")
print("(1, 1): 所有正例找出来，但负例也被预测为正例")
print("(0, 1): 完美分类，AUC=1")