我有一个如下的多类混淆矩阵，想为其中的一个类别（例如类别1）绘制相应的ROC曲线。我知道在这种情况下应该使用“一对所有”的理论，但我想知道具体应该如何调整阈值以获得不同的真阳性率和相应的假阳性率对。输入图像描述

回答：

SkLearn有一个方便的实现，可以计算tpr和fpr，还有一个函数可以为你生成auc。你可以通过将每个类别单独处理（所有其他数据视为负样本），并循环处理每个类别，将其应用到你的数据上。下面的代码灵感来自于scikit-learn关于这个主题的页面。

import numpy as npfrom sklearn.metrics import roc_auc_scorefrom sklearn.metrics import roc_curve, aucimport matplotlib.pyplot as plt #生成合成数据N_classes = 3N_per_class=100labels = np.concatenate([[i]*N_per_class for i in range(N_classes)])preds = np.stack([np.random.uniform(0,1,N_per_class*N_classes) for _ in range(N_classes)]).Tpreds /= preds.sum(1,keepdims=True) #近似softmax化tpr,fpr,roc_auc = ([[]]*N_classes for _ in range(3))f,ax = plt.subplots()#生成ROC数据for i in range(N_classes):    fpr[i], tpr[i], _ = roc_curve(labels==i, preds[:, i])    roc_auc[i] = auc(fpr[i], tpr[i])    ax.plot(fpr[i],tpr[i])plt.legend(['Class {:d}'.format(d) for d in range(N_classes)])plt.xlabel('FPR')plt.ylabel('TPR')