W3School TIY Editor

# 这三行代码使编译器能够绘图：

import sys

import matplotlib

matplotlib.use('Agg')

​

import numpy as np

import matplotlib.pyplot as plt

​

from sklearn.metrics import accuracy_score, confusion_matrix, roc_auc_score, roc_curve

​

n = 10000

ratio = .95

n_0 = int((1-ratio) * n)  # 少数类样本数

n_1 = int(ratio * n)      # 多数类样本数

​

y = np.array([0] * n_0 + [1] * n_1)  # 真实标签

​

# 从假设模型中获取的概率值（不总是预测众数类）：

y_proba_2 = np.array(

    np.random.uniform(0, .7, n_0).tolist() +  # 类别 0 的预测概率

    np.random.uniform(.3, 1, n_1).tolist()    # 类别 1 的预测概率

)

y_pred_2 = y_proba_2 > .5  # 以 0.5 为阈值生成预测标签

​

def plot_roc_curve(true_y, y_prob):

    """

    根据预测概率绘制 ROC 曲线

    """

    fpr, tpr, thresholds = roc_curve(true_y, y_prob)

    plt.plot(fpr, tpr)

    plt.xlabel('假阳性率 (FPR)')

    plt.ylabel('真阳性率 (TPR)')

​

# 绘制 ROC 曲线并输出 AUC 分数：

plot_roc_curve(y, y_proba_2)

print(f'模型 2 AUC 分数: {roc_auc_score(y, y_proba_2)}')

​

# 这两行代码使编译器能够输出图形：

plt.savefig(sys.stdout.buffer)

sys.stdout.flush()