Scikit-learn 是一个广受欢迎的 Python 库，它为机器学习任务提供了简单高效的 API。Scikit-learn 的关键特性之一是其内置的可视化 API，这使得为机器学习模型生成可视化变得轻而易举。在本实验中，我们将探索如何使用 Scikit-learn 可视化 API 来比较两个不同分类器的 ROC 曲线。
虚拟机启动完成后，点击左上角切换到“笔记本”标签页，以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，随时向 Labby 提问。课程结束后提供反馈，我们会立即为你解决问题。
我们将首先加载葡萄酒数据集，并将其转换为一个二分类问题。然后，我们将在训练数据集上训练一个支持向量分类器。
import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.metrics import RocCurveDisplay
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
X, y = load_wine(return_X_y=True)
y = y == 2
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
svc = SVC(random_state=42)
svc.fit(X_train, y_train)接下来，我们将使用 RocCurveDisplay.from_estimator 函数绘制 ROC 曲线。此函数将训练好的分类器、测试数据集和真实标签作为输入，并返回一个可用于绘制 ROC 曲线的对象。然后，我们将调用 show() 方法来显示该图。
svc_disp = RocCurveDisplay.from_estimator(svc, X_test, y_test)
svc_disp.show()在这一步中，我们将训练一个随机森林分类器，并将其 ROC 曲线与支持向量分类器（SVC）的 ROC 曲线一起绘制出来。为此，我们将创建一个新的 RandomForestClassifier 对象，将其拟合到训练数据上，然后使用这个分类器创建一个新的 RocCurveDisplay 对象。我们还将把 ax 参数传递给这个函数，以便在同一轴上绘制曲线。最后，我们将调用 svc_disp 对象的 plot() 方法来绘制 SVC 的 ROC 曲线。
from sklearn.ensemble import RandomForestClassifier
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()在本实验中，我们探索了如何使用 Scikit-learn 可视化 API 为两个不同的分类器绘制 ROC 曲线。我们首先加载葡萄酒数据集，并在训练数据上训练一个支持向量分类器。然后，我们使用 RocCurveDisplay 函数为该分类器绘制 ROC 曲线。最后，我们训练了一个随机森林分类器，并将其 ROC 曲线与支持向量分类器的 ROC 曲线一起绘制出来。Scikit-learn 可视化 API 使得比较不同分类器并可视化它们的性能变得轻而易举。