如何在Python中计算并绘制多分类问题的ROC曲线与AUC-Python教程-PHP中文网

因为roc_curve仅接受一维y_true和y_score，而多分类predict_proba输出二维矩阵；直接传入会报错或结果无意义，必须通过label_binarize转为二值化标签后，对每个类别单独执行ovr二分类roc计算。

如何在python中计算并绘制多分类问题的roc曲线与auc

多分类问题没有直接对应的单条ROC曲线，必须拆解为多个二分类子问题；不能直接用 sklearn.metrics.roc_curve 处理多类预测概率矩阵，否则会报错或结果无意义。

为什么不能直接用 `roc_curve` 处理多分类输出

roc_curve 仅接受一维真实标签（y_true）和一维预测得分（y_score），而多分类模型（如 RandomForestClassifier 或 LogisticRegression）的 predict_proba 返回的是 shape 为 (n_samples, n_classes) 的二维数组。若强行传入整个矩阵，会触发 ValueError: y_true must be binary；若只取某列又无法反映全局判别能力。

正确做法是：对每个类别，将其视为正类，其余所有类合并为负类，做「一对-rest」（OvR）二分类评估。

Claw Code Suite (Python-Only Edition)

仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...

下载

必须先用 label_binarize 将多类标签转为二值化矩阵（shape 同 predict_proba）
对每一列（即每个类别）单独调用 roc_curve 和 auc
注意：y_score 必须与 y_true 的正类列严格对齐——即第 i 列的 y_score 是模型输出的第 i 类概率

如何用 `label_binarize` + `OneVsRestClassifier` 构建兼容流程

虽然 OneVsRestClassifier 可自动处理多类 ROC，但它默认不暴露各分类器的原始概率，容易掩盖阈值细节。更可控的方式是手动 OvR + label_binarize：

from sklearn.preprocessing import label_binarize
from sklearn.metrics import roc_curve, auc
import numpy as np
<h1>假设 y_true 是 shape (n,) 的整数标签，y_score 是 (n, n_classes) 概率矩阵</h1><p>y_true_bin = label_binarize(y_true, classes=np.unique(y_true))
n_classes = y_true_bin.shape[1]</p><p>fpr = dict()
tpr = dict()
roc_auc = dict()</p><p>for i in range(n<em>classes):
fpr[i], tpr[i], </em> = roc_curve(y_true_bin[:, i], y_score[:, i])
roc_auc[i] = auc(fpr[i], tpr[i])
</p>

label_binarize 生成的 y_true_bin 是稀疏友好的，但需确保 classes= 参数显式传入，否则可能漏掉未出现的类别
若模型未输出概率（如 SVC 默认无 predict_proba），需先用 probability=True 初始化，或改用 decision_function（此时需确认输出是单调判别分，而非 raw score）
某些库（如 XGBoost）的 predict_proba 默认返回 softmax 输出，可直接使用；LightGBM 需确认是否启用了 softmax 目标函数

如何绘制多条ROC曲线并计算宏/微平均AUC

单个类别的 AUC 只反映该类判别能力，实际需要汇总指标。宏平均（macro-average）是对各类 AUC 简单平均，微平均（micro-average）则是将所有类的二值化预测拼接后统一计算——后者更关注整体排序质量。

# 微平均：展平所有真值和得分
y_true_micro = y_true_bin.ravel()
y_score_micro = y_score.ravel()
fpr["micro"], tpr["micro"], _ = roc_curve(y_true_micro, y_score_micro)
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
<h1>宏平均：对各类AUC取均值（不推荐直接对fpr/tpr插值平均）</h1><p>roc_auc["macro"] = np.mean([roc_auc[i] for i in range(n_classes)])
</p>