本文主要介紹一下多分類下的ROC曲線繪制和AUC計算，並以鳶尾花數據為例，簡單用python進行一下說明。如果對ROC和AUC二分類下的概念不是很了解，可以先參考下這篇文章：http://blog.csdn.net/ye1215172385/article/details/79448575
由於ROC曲線是針對二分類的情況，對於多分類問題，ROC曲線的獲取主要有兩種方法：
假設測試樣本個數為m，類別個數為n（假設類別標簽分別為：0，2，...，n-1）。在訓練完成后，計算出每個測試樣本的在各類別下的概率或置信度，得到一個[m， n]形狀的矩陣P，每一行表示一個測試樣本在各類別下概率值（按類別標簽排序）。相應地，將每個測試樣本的標簽轉換為類似二進制的形式，每個位置用來標記是否屬於對應的類別（也按標簽排序，這樣才和前面對應），由此也可以獲得一個[m， n]的標簽矩陣L。
比如n等於3，標簽應轉換為：
方法1：每種類別下，都可以得到m個測試樣本為該類別的概率（矩陣P中的列）。所以，根據概率矩陣P和標簽矩陣L中對應的每一列，可以計算出各個閾值下的假正例率（FPR）和真正例率（TPR），從而繪制出一條ROC曲線。這樣總共可以繪制出n條ROC曲線。最后對n條ROC曲線取平均，即可得到最終的ROC曲線。
方法2：首先，對於一個測試樣本：1）標簽只由0和1組成，1的位置表明了它的類別（可對應二分類問題中的‘’正’’），0就表示其他類別（‘’負‘’）；2）要是分類器對該測試樣本分類正確，則該樣本標簽中1對應的位置在概率矩陣P中的值是大於0對應的位置的概率值的。基於這兩點，將標簽矩陣L和概率矩陣P分別按行展開，轉置后形成兩列，這就得到了一個二分類的結果。所以，此方法經過計算后可以直接得到最終的ROC曲線。
上面的兩個方法得到的ROC曲線是不同的，當然曲線下的面積AUC也是不一樣的。 在python中，方法1和方法2分別對應sklearn.metrics.roc_auc_score函數中參數average值為'macro'和'micro'的情況。
下面以方法2為例，直接上代碼，概率矩陣P和標簽矩陣L分別對應代碼中的y_score和y_one_hot：
#!/usr/bin/python
# -*- coding:utf-8 -*-
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegressionCV
from sklearn import metrics
from sklearn.preprocessing import label_binarize
if __name__ == '__main__':
np.random.seed(0)
data = pd.read_csv('iris.data', header = None) #讀取數據
iris_types = data[4].unique()
n_class = iris_types.size
x = data.iloc[:, :2] #只取前面兩個特征
y = pd.Categorical(data[4]).codes #將標簽轉換0,1,...
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size = 0.6, random_state = 0)
y_one_hot = label_binarize(y_test, np.arange(n_class)) #裝換成類似二進制的編碼
alpha = np.logspace(-2, 2, 20) #設置超參數范圍
model = LogisticRegressionCV(Cs = alpha, cv = 3, penalty = 'l2') #使用L2正則化
model.fit(x_train, y_train)
print '超參數：', model.C_
# 計算屬於各個類別的概率，返回值的shape = [n_samples, n_classes]
y_score = model.predict_proba(x_test)
# 1、調用函數計算micro類型的AUC
print '調用函數auc：', metrics.roc_auc_score(y_one_hot, y_score, average='micro')
# 2、手動計算micro類型的AUC
#首先將矩陣y_one_hot和y_score展開，然后計算假正例率FPR和真正例率TPR
fpr, tpr, thresholds = metrics.roc_curve(y_one_hot.ravel(),y_score.ravel())
auc = metrics.auc(fpr, tpr)
print '手動計算auc：', auc
#繪圖
mpl.rcParams['font.sans-serif'] = u'SimHei'
mpl.rcParams['axes.unicode_minus'] = False
#FPR就是橫坐標,TPR就是縱坐標
plt.plot(fpr, tpr, c = 'r', lw = 2, alpha = 0.7, label = u'AUC=%.3f' % auc)
plt.plot((0, 1), (0, 1), c = '#808080', lw = 1, ls = '--', alpha = 0.7)
plt.xlim((-0.01, 1.02))
plt.ylim((-0.01, 1.02))
plt.xticks(np.arange(0, 1.1, 0.1))
plt.yticks(np.arange(0, 1.1, 0.1))
plt.xlabel('False Positive Rate', fontsize=13)
plt.ylabel('True Positive Rate', fontsize=13)
plt.grid(b=True, ls=':')
plt.legend(loc='lower right', fancybox=True, framealpha=0.8, fontsize=12)
plt.title(u'鳶尾花數據Logistic分類后的ROC和AUC', fontsize=17)
plt.show()
實驗輸出結果：
可以從上圖看出，兩者計算結果一致！
實驗繪圖結果：
這里是micro average ROC：
https://blog.csdn.net/YE1215172385/article/details/79443552
macro average ROC 可以參考：
https://blog.csdn.net/xyz1584172808/article/details/81839230