期刊配图：ROC曲线焕然一新，优化模型性能对比的视觉呈现（附代码） - 文章 - 开发者社区

picture.image

✨ 欢迎关注Python机器学习AI ✨

本节介绍： ROC曲线焕然一新，优化模型性能对比的视觉呈现，数据采用模拟数据无任何现实意义，作者根据个人对机器学习的理解进行代码实现与图表输出，仅供参考。完整数据和代码将在稍后上传至交流群，成员可在交流群中获取下载。未加入交流群的同学，请在后台回复【1018】获取完整代码，需要的朋友可关注公众文末提供的获取方式。文末提供高效的AI工具~！点赞、推荐参与文末包邮赠书~！

✨ 论文信息 ✨

picture.image

X轴：表示假阳性率 (FPR)，也就是在所有负类样本中被误判为正类的比例。数值从0到1，表示从完全不误判（0）到完全错误地预测所有负类样本为正类（1）的变化

Y轴：表示真正率 (TPR)，即在所有正类样本中被正确识别为正类的比例。数值从0到1，表示从完全没有正确预测正类（0）到所有正类样本都被正确分类（1）

不同曲线：每条曲线代表不同的模型（如随机森林、LightGBM、XGBoost等）。这些模型在ROC曲线中的表现通过曲线的形状和位置来展示。曲线越接近左上角，说明该模型的性能越好，也就是AUC值越解决于1

ROC曲线的斜线（虚线）：代表随机猜测的模型表现，如果模型的ROC曲线在这条虚线附近，说明它的分类效果和随机猜测差不多

曲线下的数字（0.804, 0.802 等）：这些是每个模型的AUC值，即曲线下方的面积，越接近1说明模型性能越好。AUC值较高的模型（如0.804）相较于AUC较低的模型（如0.757）具有更强的区分能力，下面为优化后的ROC曲线图

picture.image

与常见的ROC曲线相比，这张图在可读性和信息呈现方面进行了优化，不仅清楚地展示了每个模型的ROC曲线，还加入了AUC值、明确的颜色区分和精确的模型性能对比

✨ 代码实现 ✨

  
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
plt.rcParams['font.family'] = 'Times New Roman'  
plt.rcParams['axes.unicode_minus'] = False  
import warnings  
# 忽略所有警告  
warnings.filterwarnings("ignore")  
  
path = r"2025-10-18公众号Python机器学习AI.xlsx"  
df = pd.read_excel(path)  
from sklearn.model_selection import train_test_split  
  
# 划分特征和目标变量  
X = df.drop(['y'], axis=1)    
y = df['y']    
# 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(  
    X,    
    y,   
    test_size=0.3,   
    random_state=42,   
    stratify=df['y']   
)  
from sklearn.linear_model import LogisticRegression  
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier  
from sklearn.metrics import roc_curve, auc  
import lightgbm as lgb  
import xgboost as xgb  
from catboost import CatBoostClassifier  
  
# 初始化并训练 RandomForest 模型  
rf_model = RandomForestClassifier(random_state=42)  
rf_model.fit(X_train, y_train)  
  
# 初始化并训练 LightGBM 模型  
lgb_model = lgb.LGBMClassifier(random_state=42, verbose=-1)  
lgb_model.fit(X_train, y_train)  
  
# 初始化并训练 XGBoost 模型  
xgb_model = xgb.XGBClassifier(random_state=42, eval_metric='logloss')  
xgb_model.fit(X_train, y_train)  
  
# 初始化并训练 CatBoost 模型  
catboost_model = CatBoostClassifier(random_state=42, verbose=0)  
catboost_model.fit(X_train, y_train)  
  
# 初始化并训练 AdaBoost 模型  
ada_model = AdaBoostClassifier(random_state=42)  
ada_model.fit(X_train, y_train)  
  
# 初始化并训练逻辑回归模型  
lr_model = LogisticRegression(random_state=42, max_iter=1000)  
lr_model.fit(X_train, y_train)

通过训练不同的机器学习模型（如随机森林、LightGBM、XGBoost、CatBoost、AdaBoost 和逻辑回归）来进行分类任务，并将数据划分为训练集和测试集，准备进行后续的模型评估和性能比较

  
import matplotlib.gridspec as gridspec  
import matplotlib.patches as mpatches  
from sklearn.metrics import roc_curve, auc  
from matplotlib.colors import Normalize  
from matplotlib.cm import ScalarMappable  
  
trained_models = {  
    "Random Forest": rf_model,  
    "LightGBM": lgb_model,  
    "XGBoost": xgb_model,  
    "CatBoost": catboost_model,  
    "AdaBoost": ada_model,  
    "Logistic Regression": lr_model  
}  
  
colors = {  
    "Random Forest": "#66c2a5",  
    "LightGBM": "#fc8d62",  
    "XGBoost": "#8da0cb",  
    "CatBoost": "#e78ac3",  
    "AdaBoost": "#a6d854",  
    "Logistic Regression": "#ffd92f"  
}  
# 计算每个模型的绘图数据  
results = []  
for name, model in trained_models.items():  
    y_prob = model.predict_proba(X_test)[:, 1]  
    fpr, tpr, _ = roc_curve(y_test, y_prob)  
    roc_auc = auc(fpr, tpr)  
    results.append({'name': name, 'fpr': fpr, 'tpr': tpr, 'auc': roc_auc})  
  
# 根据AUC分数对结果进行降序排序  
sorted_results = sorted(results, key=lambda x: x['auc'], reverse=True)  
  
# 使用 GridSpec 自定义子图布局  
fig = plt.figure(figsize=(10, 7))  
gs = gridspec.GridSpec(1, 2, width_ratios=[4, 1], wspace=0.05)  
  
# ROC曲线  
ax1 = plt.subplot(gs[0])  
for res in results:  
    style = '--' if res['name'] == 'Stacked Model' else '-'  
    lw = 3 if res['name'] == 'Stacked Model' else 2.5  
    ax1.plot(res['fpr'], res['tpr'],  
             lw=lw,  
             color=colors[res['name']],  
             linestyle=style,  
             label=f"{res['name']}")  
  
# 绘制随机猜测线  
ax1.plot([0, 1], [0, 1], 'r--', linewidth=1.5, alpha=0.8)  
  
# 设置图表细节  
ax1.set_xlim([-0.05, 1.05])  
ax1.set_ylim([-0.05, 1.05])  
ax1.set_xlabel("False Positive Rate (1-Specificity)", fontsize=18)  
ax1.set_ylabel("True Positive Rate (Sensitivity)", fontsize=18)  
ax1.set_title("ROC Curve - Test Set Model Comparison", fontsize=20, fontweight="bold")  
ax1.legend(loc="lower right", fontsize=15, frameon=False)  
ax1.tick_params(axis='both', which='major', labelsize=18)  
  
# AUC值颜色条  
ax2 = plt.subplot(gs[1])  
ax2.axis('off')  # 隐藏坐标轴  
  
# 定义颜色映射，使用AUC值来确定颜色渐变  
norm = Normalize(vmin=min(res['auc'] for res in results), vmax=max(res['auc'] for res in results))  
cmap = plt.cm.Blues  # 蓝色渐变  
  
num_models = len(sorted_results)  
bar_height = 0.9  
  
.....后台回复【1018】获取完整代码或加入交流群  
  
# 设置AUC条形图的y轴和x轴范围  
ax2.set_ylim(-0.1, num_models - (1 - bar_height) - 0.1)  
ax2.set_xlim(0, 1)  
plt.savefig("ROC.pdf", format='pdf', bbox_inches='tight', dpi=1200)  
plt.show()

picture.image

通过绘制多个机器学习模型的ROC曲线，并对每个模型的AUC值进行颜色映射和显示，提供了详细的模型性能比较。相比于标准绘图代码，它采用了更高级的图表布局和样式定制，使用matplotlib.gridspec和颜色条的结合，能更直观地展示不同模型的表现和AUC值差异，适用于需要详细分析和美化展示的场景。标准绘图代码则更简洁，适合快速绘制和对比模型性能，重点在于图形的简洁和易读性

当然，公众号中还有更多机器学习期刊实战技巧，您可以通过历史文章进行检索和阅读，关注公众号，点击“发信息”>“历史文章”即可搜索公众号所有文章信息

picture.image