我想为我的分类模型绘制ROC曲线。由于我是新手，我阅读了一些相关资料，看了一些帖子，并参考了这个Stack Overflow答案，我创建了一个ROC曲线。
我的数据类型如下：
print(Y.shape)print(predictions.shape)print(Y)print(predictions)(1, 400)(1, 400)[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]][[0 1 1 1 0 1 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 0 1 1 1 0 1 0 0 1 1 1 1 1 1 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 1 0 0 0 1 0]]实现代码后：
from sklearn.metrics import precision_scoreprint('精确度得分: '+ str(precision_score(Y.ravel(), predictions.ravel())))from sklearn.metrics import recall_scoreprint('召回率得分: '+ str(recall_score(Y.ravel(), predictions.ravel())))from sklearn.metrics import f1_scoreprint('F1得分: '+ str(f1_score(Y.ravel(), predictions.ravel())))from sklearn.metrics import roc_auc_score, auc, roc_curveprint('ROC得分: ' + str(roc_auc_score(Y.ravel(), predictions.ravel())))from sklearn.metrics import confusion_matrixprint('混淆矩阵: ')print(confusion_matrix(Y.ravel(), predictions.ravel()))fpr = dict()tpr = dict()threshold = dict()roc_auc = dict()for i in range(2): fpr[i], tpr[i], threshold[i] = roc_curve(Y.ravel(), predictions.ravel()) roc_auc[i] = auc(fpr[i], tpr[i])print(fpr, tpr, threshold, roc_auc)plt.figure()plt.plot(fpr[1], tpr[1])plt.xlabel('假阳性率')plt.ylabel('真阳性率')plt.title('接收者操作特征曲线(ROC曲线)')输出结果：
精确度得分: 0.9179487179487179召回率得分: 0.895F1得分: 0.9063291139240507ROC得分: 0.9075混淆矩阵: [[184 16] [ 21 179]]{0: array([0. , 0.08, 1. ]), 1: array([0. , 0.08, 1. ])} {0: array([0. , 0.895, 1. ]), 1: array([0. , 0.895, 1. ])} {0: array([2, 1, 0]), 1: array([2, 1, 0])} {0: 0.9075, 1: 0.9075}Text(0.5, 1.0, '接收者操作特征曲线(ROC曲线)')
我不明白为什么要使用循环？我可以看到每行计算了三个值，分别是FPR、TPR、Threshold和roc_auc。我确实读到过roc_curve需要概率作为目标分数（我会在这方面进行改进）。然而，我无法理解从我的输入（1,400）维度的数据是如何计算这些数组的？
提前感谢。
回答：
我不明白为什么你使用了循环，因为你可以通过删除循环并调整你的代码来实现相同的功能：
