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。
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。
- 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：
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...
立即学习“Python免费学习笔记（深入）”；
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])
-
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)])
- 绘图时建议用不同颜色区分各类，并标注对应 AUC 值（保留两位小数即可）
- 微平均 ROC 曲线通常比任一单类更平滑，但若各类样本量差异极大，微平均会偏向多数类
- 避免对
fpr[i]和tpr[i]直接做插值平均——它们的阈值点不一致，会导致曲线下面积失真
真正麻烦的不是画图，而是确认你用的概率来自哪个模型层、是否经过校准、以及负类定义是否合理；比如在医学诊断中，“正常”作为负类和“其他疾病”作为负类，得到的 ROC 解读完全不同。
