在机器学习领域，接收者操作特征（ROC）曲线是一种重要的工具，用于评估分类模型的性能。scikit-learn库提供了一个简洁的API，允许快速绘制ROC曲线，并进行可视化调整，而无需重新计算。本文将通过一个实例，展示如何使用scikit-learn的可视化API来比较不同分类器的ROC曲线。
首先，加载葡萄酒数据集，并将其转换为二分类问题。然后，在训练数据集上训练一个支持向量分类器。以下是实现这一过程的Python代码：
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import RocCurveDisplay
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
# 加载数据
X, y = load_wine(return_X_y=True)
y = y == 2 # 转换为二分类问题
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
# 训练SVC模型
svc = SVC(random_state=42)
svc.fit(X_train, y_train)
在Jupyter环境中，可以重新运行上述代码单元，以显示HTML表示形式或信任笔记本。在GitHub上，HTML表示形式无法渲染，请尝试使用nbviewer.org加载此页面。
接下来，使用sklearn.metrics.RocCurveDisplay.from_estimator方法绘制ROC曲线。返回的svc_disp对象允许在未来的图表中继续使用已经计算过的ROC曲线。
svc_disp = RocCurveDisplay.from_estimator(svc, X_test, y_test)
plt.show()
这种方法的优势在于，当需要在后续的图表中使用ROC曲线时，不需要重新计算ROC曲线的值。
进一步训练一个随机森林分类器，并创建一个与SVC ROC曲线进行比较的图表。注意，svc_disp使用plot方法绘制SVCROC曲线，而不需要重新计算ROC曲线的值。此外，向plot函数传递alpha=0.8，以调整曲线的透明度。
rfc = RandomForestClassifier(n_estimators=10, random_state=42)
rfc.fit(X_train, y_train)
ax = plt.gca()
rfc_disp = RocCurveDisplay.from_estimator(rfc, X_test, y_test, ax=ax, alpha=0.8)
svc_disp.plot(ax=ax, alpha=0.8)
plt.show()
通过这种方式，可以直观地比较不同分类器的性能，从而为模型选择提供依据。
脚本的总运行时间为：0分钟0.166秒。
可以通过以下链接下载Jupyter笔记本、Python源代码或压缩包：
以下是一些与ROC曲线相关的其他示例：